Edifici Intelligenti: Prevedere Caldo e Freddo con l’AI Ibrida è il Futuro!

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi appassiona tantissimo e che riguarda da vicino le nostre case e il nostro pianeta: come rendere gli edifici più efficienti dal punto di vista energetico. Sappiamo tutti che il cambiamento climatico, causato principalmente dalle emissioni di gas serra derivanti dall’uso eccessivo di combustibili fossili, è una delle minacce più serie del nostro tempo. E indovinate un po’? Gli edifici sono tra i maggiori “colpevoli”, consumando circa il 40% dell’energia totale e generando un terzo delle emissioni!

Ecco perché costruire edifici ad alta efficienza energetica è diventato un obiettivo cruciale a livello globale. Ma come facciamo a sapere, già in fase di progettazione, quanta energia servirà per riscaldare (Heating Load – HL) e raffrescare (Cooling Load – CL) un edificio? Una previsione accurata è fondamentale per ingegneri e progettisti.

La Sfida della Previsione Energetica

Tradizionalmente, per stimare il fabbisogno energetico si usano modelli complessi basati sulla fisica e sulla termodinamica (i cosiddetti modelli “white-box” o “grey-box”). Pensate a software come EnergyPlus o Ecotect. Fantastici, certo, ma hanno i loro limiti. Richiedono una marea di dati dettagliati che non sempre sono disponibili, specialmente nelle fasi iniziali di un progetto. E se mancano dati o sono imprecisi, le previsioni possono essere sballate. Inoltre, alcuni parametri, come l’irraggiamento solare, cambiano continuamente, rendendo difficile per questi modelli catturare appieno la realtà e richiedendo aggiustamenti periodici.

L’Intelligenza Artificiale Entra in Gioco

Qui entra in scena l’intelligenza artificiale (AI) e il machine learning (ML)! Negli ultimi anni, queste tecnologie si sono rivelate strumenti potentissimi per migliorare le previsioni e ottimizzare i consumi energetici negli edifici. Perché? Perché sono veloci, relativamente facili da implementare e, soprattutto, sono bravissime a imparare dai dati, anche quando le relazioni sono complesse e non lineari.

Abbiamo visto tantissimi studi usare reti neurali artificiali (ANN), support vector machine (SVM), random forest (RF) e altre tecniche per affrontare questo problema. Alcuni si sono concentrati sul prevedere i consumi orari, altri hanno cercato di ottimizzare i sistemi di raffrescamento, altri ancora hanno usato tecniche per selezionare solo le variabili di input più importanti. Insomma, la ricerca è in fermento!

La Nostra Proposta: Un Modello Ibrido Super-Ottimizzato

Nonostante i progressi, c’era una sfida che mi intrigava particolarmente: spesso il fabbisogno di riscaldamento (HL) e quello di raffrescamento (CL) sono interdipendenti. Prevedere solo uno dei due potrebbe portare a risultati imprecisi per l’altro. Serviva un modello capace di prevederli entrambi contemporaneamente (un modello multi-output) e di farlo nel modo più accurato possibile.

Così, nel nostro studio, abbiamo deciso di sviluppare un approccio ibrido. Abbiamo preso una rete neurale già nota per la sua efficacia in certi compiti, la Radial Basis Function Neural Network (RBFNN), e l’abbiamo “potenziata” usando un algoritmo di ottimizzazione meta-euristico nuovissimo e ispirato alla natura: il Mountain Gazelle Optimizer (MGO). Sì, avete capito bene, un algoritmo che imita il comportamento sociale e migratorio delle gazzelle di montagna per trovare la soluzione migliore! Affascinante, vero?

L’idea è che l’MGO “alleni” la RBFNN, trovando i parametri interni ottimali (come i centri e le ampiezze delle funzioni di base radiali e i pesi di connessione) per minimizzare l’errore di previsione sia per HL che per CL contemporaneamente. Questo non solo riduce i tempi di calcolo rispetto all’addestrare due modelli separati, ma migliora anche l’accuratezza, specialmente quando i due output sono correlati.

Mettiamo alla Prova il Nostro Campione: MGO-RBFNN

Per testare il nostro modello MGO-RBFNN, abbiamo usato un dataset pubblico molto conosciuto nel settore, derivato da uno studio di Tsanas e Xifara. Contiene i dati di 768 diverse configurazioni di edifici residenziali simulati ad Atene, in Grecia. Per ogni configurazione, avevamo 8 parametri di input:

• Compattezza relativa (rapporto superficie/volume)
• Area della superficie totale
• Area del tetto
• Area delle pareti
• Altezza complessiva
• Orientamento
• Area vetrata
• Distribuzione dell’area vetrata

E ovviamente, i due output da prevedere: HL e CL.

Abbiamo diviso il dataset: l’80% per addestrare il modello (insegnargli a riconoscere i pattern) e il 20% per testarlo (verificare se aveva imparato bene su dati mai visti prima). Prima di iniziare, abbiamo anche controllato che le variabili di input non fossero troppo correlate tra loro (problema della multicollinearità), per evitare di confondere il modello. Tutto a posto!

Abbiamo poi dovuto “tarare” alcuni parametri del nostro MGO-RBFNN, come la dimensione della popolazione di “gazzelle” virtuali e il numero massimo di iterazioni (generazioni). Dopo un po’ di prove ed errori, abbiamo trovato i valori ottimali: 300 iterazioni, 250 “individui” nella popolazione e 30 “neuroni” (kernels) nello strato nascosto della RBFNN.

I Risultati? Stupefacenti!

Ebbene, i risultati sono stati davvero incoraggianti! Il nostro modello MGO-RBFNN ha mostrato una capacità predittiva eccezionale. Per farvi capire, abbiamo usato diverse metriche di valutazione:

• R² (Coefficiente di determinazione): Misura quanto bene il modello spiega la variabilità dei dati. Un valore vicino a 1 è ottimo.
• RMSE (Root Mean Squared Error): L’errore quadratico medio. Più basso è, meglio è.
• MAPE (Mean Absolute Percentage Error): L’errore percentuale medio assoluto. Utile per capire l’errore in termini relativi.

Nella fase di test (la più critica!), il nostro MGO-RBFNN ha ottenuto:

• Per HL (Riscaldamento): R² di 0.994, RMSE di 0.84, MAPE del 3.90%
• Per CL (Raffrescamento): R² di 0.968, RMSE di 3.09, MAPE del 13.02%

Valori di R² così vicini a 1 indicano una correlazione fortissima tra le previsioni e i valori reali. Gli errori RMSE e MAPE sono decisamente bassi, confermando l’accuratezza del modello. Guardando i grafici, i punti previsti si allineavano quasi perfettamente sulla diagonale rispetto ai valori sperimentali. Un successo!

Il Confronto con Altri Modelli

Ma non ci siamo fermati qui. Volevamo essere sicuri che il nostro approccio fosse davvero superiore. Lo abbiamo confrontato con:

• La stessa RBFNN ottimizzata con altri algoritmi noti: Particle Swarm Optimization (PSO) e Genetic Algorithm (GA).
• Altri modelli di machine learning standard: Extreme Learning Machine (ELM), Generalized Regression Neural Network (GRNN) e una RBFNN addestrata con un metodo classico basato sul gradiente.
• Modelli ibridi proposti in studi precedenti sullo stesso dataset (es. PSO-MLP, ABC-MLP, GA-ANN, ICA-ANN).

I risultati del confronto sono stati netti. L’MGO ha dimostrato di convergere più velocemente e verso una soluzione migliore (errore più basso) rispetto a PSO e GA durante l’addestramento. Il modello MGO-RBFNN ha superato tutti gli altri modelli RBFNN ottimizzati e anche ELM e GRNN nella fase di test (GRNN, ad esempio, era perfetto in training ma pessimo in test, un classico caso di overfitting!). Anche rispetto ai modelli degli studi precedenti, il nostro MGO-RBFNN ha mostrato prestazioni superiori su tutte le metriche chiave sia per HL che per CL.

Abbiamo anche usato un grafico particolare, il diagramma di Taylor, che visualizza contemporaneamente la correlazione, la deviazione standard e l’RMSE. Anche qui, il punto rappresentante MGO-RBFNN era il più vicino al punto “osservato” (la perfezione), confermando la sua robustezza e accuratezza.

Quali Fattori Influenzano di Più i Consumi?

Un’altra cosa interessante che abbiamo fatto è stata un’analisi del “fattore di rilevanza” (Relevancy Factor – RF). In pratica, abbiamo calcolato quanto ogni variabile di input influenzi i consumi energetici (HL e CL). È emerso che:

• Compattezza relativa, area del tetto, altezza complessiva, area vetrata e distribuzione dell’area vetrata hanno un effetto positivo sui consumi (all’aumentare di questi, i consumi tendono ad aumentare).
• Area della superficie, area delle pareti e orientamento hanno un effetto negativo (all’aumentare di questi, i consumi tendono a diminuire, magari per effetti di inerzia termica o esposizione solare).

I due fattori più influenti in assoluto? L’altezza complessiva e la compattezza relativa dell’edificio. Informazioni preziose per i progettisti!

Conclusioni e Sguardo al Futuro

Quindi, cosa ci portiamo a casa da questa avventura nel mondo dell’AI per l’efficienza energetica? Abbiamo dimostrato che un approccio ibrido, combinando una rete RBFNN multi-output con un algoritmo di ottimizzazione innovativo come l’MGO, può prevedere con altissima precisione i carichi di riscaldamento e raffrescamento degli edifici residenziali, superando molti altri metodi esistenti.

Questo tipo di modello è particolarmente utile nelle fasi iniziali della progettazione, quando i dati dettagliati scarseggiano ma è fondamentale fare stime energetiche affidabili.

Certo, la ricerca non si ferma qui. Sarebbe fantastico testare questo approccio su dataset ancora più ampi e diversificati. Inoltre, potremmo esplorare l’accoppiata MGO con altri tipi di modelli ML (come ANFIS, SVR o XGBoost) o usare tecniche per ridurre ulteriormente il numero di input necessari (dimensionality reduction o feature selection).

Il futuro dell’edilizia è sempre più legato all’intelligenza dei dati, e credo fermamente che modelli come il nostro MGO-RBFNN possano dare un contributo concreto per progettare edifici più sostenibili ed efficienti. Un piccolo passo per l’AI, un grande passo per il nostro pianeta!

Fonte: Springer