Gemelli Digitali per Salvare il Passato: Come la Tecnologia Sta Rivoluzionando il Restauro dei Monumenti

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi appassiona tantissimo: come possiamo usare le tecnologie più avanzate, quasi da film di fantascienza, per proteggere i tesori del nostro passato. Immaginate di poter creare una copia virtuale, un vero e proprio gemello digitale, di un antico edificio in legno, come una pagoda millenaria. Non una semplice ricostruzione 3D, ma un modello vivo, che respira dati e ci aiuta a capire come sta *veramente* quella struttura e cosa le succederà in futuro. Sembra incredibile, vero? Eppure, è proprio quello su cui stiamo lavorando!

Il Problema: Salvare il Legno dal Tempo

Il patrimonio architettonico in legno è una meraviglia, un archivio insostituibile di storia e cultura. Ma è anche incredibilmente fragile. Il tempo, l’umidità, gli insetti, l’invecchiamento naturale dei materiali… sono tutti nemici silenziosi che possono causare danni irreparabili come crepe, inclinazioni pericolose e degrado generale. Pensate alla famosa Pagoda di Legno di Yingxian in Cina, la più antica e alta torre in legno del paese. Ha resistito a terremoti e tempeste per secoli, ma restauri non ottimali e il passare del tempo l’hanno indebolita, con inclinazioni preoccupanti che ne mettono a rischio la stabilità.

Fino ad oggi, la maggior parte degli interventi di conservazione sono stati, diciamo, “reattivi”. Si interviene *dopo* che il danno si è manifestato, spesso con operazioni di salvataggio d’emergenza. Ma non sarebbe fantastico poter *prevedere* i problemi prima che accadano? Agire d’anticipo, in modo preventivo? Ecco, è qui che entra in gioco la magia dei gemelli digitali.

Cos’è un Gemello Digitale per i Beni Culturali?

In parole povere, un gemello digitale è una replica virtuale dinamica di un oggetto o sistema fisico. Nel nostro caso, l’oggetto fisico è un edificio storico. Ma non è solo un modello 3D statico. Il gemello digitale viene costantemente alimentato con dati in tempo reale provenienti da sensori posizionati sull’edificio reale (temperatura, umidità, spostamenti millimetrici, vibrazioni…). Questo permette al modello virtuale di “specchiare” lo stato di salute della struttura fisica quasi istantaneamente.

Ma la vera potenza sta nel poter usare questo gemello digitale per fare simulazioni, analisi avanzate e, soprattutto, previsioni. Possiamo simulare l’impatto di un terremoto, l’effetto di un’ondata di umidità o semplicemente il lento degrado nel tempo, e vedere come reagirebbe la struttura virtuale. Questo ci permette di anticipare i rischi e pianificare interventi di manutenzione mirati, passando da una conservazione “a posteriori” a una conservazione preventiva.

La Sfida: Modellare il Comportamento

Creare il gemello digitale è il primo passo, ma il cuore pulsante di questa tecnologia è il modello comportamentale. È questo modello che interpreta i dati e cerca di prevedere come si comporterà la struttura. E qui le cose si complicano. I dati che raccogliamo dagli edifici storici, specialmente quelli relativi agli spostamenti (le deformazioni), sono tutt’altro che semplici. Sono:

• Non lineari: le cause e gli effetti non seguono proporzioni semplici.
• Non stazionari: le caratteristiche dei dati cambiano nel tempo.
• Dinamici e complessi: influenzati da una miriade di fattori interconnessi (ambiente esterno, cause interne).

I metodi tradizionali di analisi delle serie temporali, come ARIMA o VAR, spesso non bastano perché si basano su ipotesi lineari. Serviva qualcosa di più potente.

La Nostra Soluzione: Un Cervello Artificiale Super Potente (TLSA-PSO)

Ecco dove entriamo in gioco noi. Abbiamo pensato: perché non sfruttare le ultime frontiere del deep learning, l’intelligenza artificiale che impara dai dati? Abbiamo progettato una rete neurale predittiva specifica per questo compito, che abbiamo chiamato TLSA-PSO. Non spaventatevi per l’acronimo, cerco di spiegarvelo in modo semplice. È un modello ibrido che combina il meglio di diverse tecniche:

• TCN (Temporal Convolutional Network): È bravissimo a catturare le dipendenze a lungo termine nei dati, cioè a capire come eventi passati influenzano il presente, anche se sono lontani nel tempo. Usa convoluzioni “causali” (guarda solo al passato) e “dilatate” (riesce a “vedere” più indietro nel tempo con meno calcoli).
• LSTM (Long Short-Term Memory): È un tipo di rete neurale ricorrente specializzata nel ricordare informazioni per lunghi periodi e nel rilevare fluttuazioni improvvise o caratteristiche non lineari locali. È come se avesse una memoria a breve e lungo termine. Nel nostro modello, abbiamo impilato tre moduli LSTM per processare i dati in modo sempre più raffinato.
• Self-Attention (Meccanismo di Auto-Attenzione): Questa è una chicca! Permette al modello di “pesare” l’importanza delle diverse parti dei dati di input. In pratica, capisce da solo quali informazioni sono più rilevanti in un dato momento per fare una previsione accurata, evitando che informazioni cruciali si “perdano” nei vari passaggi.
• PSO (Particle Swarm Optimization): È un algoritmo di ottimizzazione ispirato al comportamento degli sciami di uccelli o banchi di pesci. Lo usiamo per “tarare” al meglio tutti i parametri della rete TLSA (come il numero di neuroni, il tasso di apprendimento, ecc.), trovando la combinazione ottimale che massimizza l’accuratezza delle previsioni. È come se tanti “esploratori” virtuali cercassero insieme la soluzione migliore nello spazio delle possibili configurazioni.

Prima di dare in pasto i dati alla rete, però, c’è un lavoro fondamentale di “pulizia”: selezioniamo i dati rilevanti, riempiamo eventuali valori mancanti (usando l’interpolazione lineare, visto che i buchi erano pochi) e standardizziamo i dati (portandoli tutti in una scala comune, tipo da 0 a 1) per aiutare la rete a imparare meglio e più velocemente.

Il Test sul Campo: La Pagoda di Yingxian

Per verificare se il nostro modello funzionasse davvero, lo abbiamo messo alla prova con dati reali provenienti proprio dalla Pagoda di Legno di Yingxian. Abbiamo usato i dati di spostamento (longitudinale, trasversale e verticale, misurati in millimetri) raccolti da luglio a ottobre 2023 tramite un robot di monitoraggio automatico ad alta precisione (accuratezza di 0.5 secondi d’arco!). Questo robot ha posizionato dei prismi di monitoraggio sulle colonne esterne di ogni piano della pagoda, raccogliendo dati ogni quattro ore.

Abbiamo scoperto che quasi tutte le colonne mostrano una deformazione, con un’inclinazione generale verso nord-est. Le deformazioni sono più gravi nei piani inferiori, specialmente al secondo e terzo piano. Ci siamo concentrati sui dati del punto di monitoraggio n. 223, sulla colonna più deformata del secondo piano, per addestrare e testare il nostro modello TLSA-PSO. Poi, per vedere se il modello fosse generalizzabile, abbiamo fatto un esperimento di validazione anche sulla colonna n. 323 del terzo piano.

Risultati Sorprendenti: Precisione al 99%!

I risultati? Beh, parlano da soli! Confrontando le previsioni del nostro modello TLSA-PSO con i dati reali e con modelli più semplici (solo LSTM o TLSA senza ottimizzazione PSO), abbiamo visto un miglioramento netto. Il modello TLSA-PSO è riuscito a seguire l’andamento dei dati reali con una precisione impressionante. La bontà di adattamento (R²), che misura quanto bene il modello si adatta ai dati (un valore vicino a 1 è ottimo), ha raggiunto lo 0.99 in alcuni casi!

Anche gli altri indicatori di errore, come MAE (Errore Assoluto Medio), MSE (Errore Quadratico Medio) e RMSE (Radice dell’Errore Quadratico Medio), sono risultati significativamente più bassi con il modello TLSA-PSO rispetto agli altri. Questo significa che le nostre previsioni erano molto più vicine ai valori reali e il modello era più stabile e affidabile, anche nel prevedere piccole fluttuazioni improvvise. L’ottimizzazione con PSO ha fatto davvero la differenza!

Un Sistema Visivo per Agire Subito

Ma a cosa servono previsioni super accurate se poi rimangono numeri incomprensibili? Abbiamo sviluppato anche un sistema di visualizzazione basato su web (architettura B/S, con front-end e back-end separati). Questo sistema permette ai responsabili della conservazione di:

• Vedere un modello 3D interattivo della pagoda.
• Cliccare su un componente specifico (es. una colonna).
• Visualizzare immediatamente grafici con i dati di monitoraggio storici e, soprattutto, le previsioni future generate dal nostro modello TLSA-PSO per quel componente.
• Vedere le metriche di accuratezza del modello in modo trasparente.

Questo strumento rende le informazioni immediatamente accessibili e comprensibili, permettendo di prendere decisioni informate e tempestive. Se il modello prevede un aumento preoccupante della deformazione in una certa area, si può intervenire subito!

Dalla Reazione alla Prevenzione: Un Nuovo Futuro per il Restauro

Grazie a modelli predittivi come il nostro TLSA-PSO, possiamo finalmente passare da una logica di “riparazione dopo il danno” a una di “prevenzione del danno”. Possiamo identificare in anticipo le componenti strutturali a rischio, quelle che potrebbero subire deformazioni significative o danni.

Cosa si può fare concretamente?

• Rinforzi mirati: Se prevediamo che una colonna o una trave subirà uno stress eccessivo, possiamo progettarne il rinforzo prima che ceda, aumentandone la capacità portante e la stabilità.
• Riparazioni tempestive: Se il modello prevede un peggioramento localizzato (es. l’allargarsi di una crepa), possiamo intervenire subito per riparare quel danno specifico, evitando che si propaghi e comprometta l’intera struttura.
• Monitoraggio continuo e adattivo: Aggiornando costantemente il modello con nuovi dati, possiamo valutare in modo dinamico lo stato di salute dell’edificio e adattare le strategie di conservazione in base alle previsioni più recenti.

Guardando Avanti: Sfide e Opportunità

Certo, siamo ancora all’inizio. Il nostro modello, pur essendo molto accurato, si basa attualmente solo sui dati di spostamento. In futuro, vogliamo renderlo ancora più intelligente integrando dati da altri tipi di sensori (temperatura, umidità, vibrazioni…) per avere un quadro ancora più completo dello stato di salute dell’edificio. Inoltre, vogliamo testare e adattare questo approccio anche ad altri tipi di patrimonio architettonico, come gli edifici storici Ming e Qing.

La strada è ancora lunga, ma la direzione è chiara. I gemelli digitali e i modelli comportamentali basati sull’intelligenza artificiale rappresentano una vera rivoluzione per la conservazione del nostro prezioso patrimonio. Ci permettono di “ascoltare” gli edifici antichi come mai prima d’ora e di proteggerli attivamente per le generazioni future. È un campo di ricerca entusiasmante e sono felice di farne parte!

Fonte: Springer