Patrimonio, tutela e AI-powered Conservation Co-pilots
English version at this link
Il degrado localizzato nel patrimonio costruito emerge dalla complessa interazione tra clima, materiali e geometria, un processo spesso trascurato sia dai modelli climatici su larga scala sia dalla scienza dei materiali in sé. Questa disconnessione limita la nostra capacità di prevedere come il cambiamento climatico modificherà specifici pattern di degrado. Il presente contributo indaga l’intelligenza artificiale (IA) come ponte tra queste scale, proponendo i sistemi Extended Reality (XR) Copilots come strumenti intuitivi per aiutare i conservatori a prevedere e mitigare i rischi futuri.
Introduzione
Il campo della conservazione del patrimonio riflette la complessità degli oggetti che mira a preservare, richiedendo ai professionisti di bilanciare considerazioni qualitative e quantitative su scale sia globali sia locali. Questo ambito altamente interdisciplinare integra scienza dei materiali, analisi microclimatiche su geometrie complesse e questioni architettoniche inerenti all’integrità strutturale. Inoltre, deve tenere conto della storia specifica del monumento, considerando gli interventi storici assoggettati all’evoluzione delle
filosofie del restauro. Questa complessità arricchisce la scienza della conservazione, ma rende al contempo più difficile la comunicazione tra le diverse discipline coinvolte.
Il patrimonio costruito esiste in un continuo scambio con il proprio ambiente, generando forme di degrado variabili all’interno di uno stesso monumento (come illustrato in figura 3), i quali, in qualche modo, possono essere tutti ricondotti alla presenza dell’acqua.1 Di conseguenza, i cicli meteorologici giornalieri e stagionali influenzano fortemente i processi di deterioramento.2 Tuttavia, questi fenomeni rimangono difficili da comprendere a causa di «condizioni al contorno» altamente variabili, che includono non solo l’esposizione climatica, ma anche l’eterogeneità dei materiali e la storia cumulativa degli interventi di conservazione.
Il cambiamento climatico complica ulteriormente questo quadro, alterando i modelli meteorologici oltre l’esperienza diretta degli operatori sul campo.3 Ciò ha portato a un numero crescente di studi che applicano la climatologia alla conservazione del patrimonio.4 Tuttavia, i modelli climatici globali hanno generalmente una risoluzione dell’ordine dei chilometri. Di conseguenza, non riescono a cogliere le condizioni locali nelle quali il degrado agisce sui monumenti, dove orientamento, geometria, materiali e contesto più prossimo risultano determinanti. Esiste pertanto una reale necessità di sviluppare metodi che permettano di collegare le scale dei modelli climatici con quelle del deterioramento della pietra sui monumenti, come illustrato nella figura 2: rappresentazione schematica del downscaling dei dati meteorologici globali e regionali fino alla scala della Cattedrale di Losanna, che evidenzia l’influenza relativa della geometria puntuale e degli elementi architettonici circostanti.
Gli sviluppi recenti nell’ambito dell’IA e del Spatial Computing offrono strumenti promettenti per affrontare queste sfide. In particolare, IA e XR vengono esplorate come strumenti per collegare i dati ambientali alla specificità materiale e spaziale del patrimonio lapideo.5 Concepite come Conservation Copilots, queste tecnologie supportano la valutazione del degrado e l’analisi degli interventi, pur preservando il ruolo centrale del giudizio degli esperti. Il presente contributo delinea un approccio iniziale all’integrazione di queste forme di conoscenza complementari per sostenere strategie di conservazione in prospettiva di cambiamenti climatici.
L’impatto del clima sul degrado della pietra
L’inquinamento atmosferico è da tempo riconosciuto come uno dei principali fattori climatici che influenzano il degrado della pietra, in particolare con inquinanti acidi come biossido di zolfo e ossidi di azoto, che agiscono sulle pietre carbonatiche.6 Negli ultimi decenni, grazie ai significativi miglioramenti della qualità dell’aria, il loro impatto si è ridotto. Per valutare le tendenze climatiche a lungo termine, sono state sviluppate mappe di recessione superficiale combinando proiezioni climatiche con tassi medi di erosione.7
Questi studi operano utilizzando le proprietà d’insieme dei materiali e bassa risoluzione spaziale, mescolando il comportamento di diversi tipi di pietra e trascurando gli effetti dipendenti da orientamento e geometria. Pertanto, tali studi risultano più adatti a fornire indicazioni qualitative sulle tendenze future, a supporto di decisioni a scala regionale e/o urbana.8
Limitazioni simili si riscontrano negli studi sui danni da gelo-disgelo per effetto dei cambiamenti climatici.9
I processi fisici coinvolti sono difficili da analizzare accuratamente, soprattutto perché dipendono fortemente dall’esposizione locale. Di conseguenza, le valutazioni tendono a operare su larga scala e a fare affidamento su indicatori semplificati, come il numero annuo di cicli gelo-disgelo, per una valutazione regionale.10
Per monumenti come la Cattedrale di Losanna, tali studi suggeriscono una riduzione dei danni legati all’inquinamento atmosferico e ai cicli gelo-disgelo. Al contrario, processi come la cristallizzazione dei sali, il rigonfiamento delle argille e la proliferazione biologica sono destinati a diventare più rilevanti. Queste forme di degrado sono difficili da prevedere, rendendo arduo formulare proiezioni affidabili a scala del monumento.
La complessità e la specificità locale dei monumenti sono spesso meglio comprese dagli esperti sul campo. La loro conoscenza è frutto di anni di esperienza, supportata da approfondimenti scientifici e affinata nel tempo. Tuttavia, questa conoscenza tacita è raramente integrata negli approcci di modellazione accademica, che tendono a caratterizzarsi per tentativi di trasferimento unidirezionale delle informazioni verso decisori e operatori sul campo. Tale disconnessione può spiegare l’adozione limitata degli strumenti di modellazione, come osservato in recenti review.
Interessante notare, inoltre, che tali analisi evidenziano come interfacce grafiche intuitive e di alta qualità rappresentino una via promettente per coinvolgere meglio i professionisti con le implicazioni della ricerca basata sulla modellazione.11
Nel presente testo si esplora l’uso di tali interfacce, in combinazione con un approccio alternativo per valutare l’impatto del cambiamento climatico sul degrado della pietra. La premessa è che il deterioramento sia principalmente guidato da un numero limitato di eventi intensi, ricorrenti ma non frequenti, in contrasto con eventi catastrofici rari.12 Esempi di questi eventi intensi includono una pioggia intensa seguita da un rapido essiccamento. Inoltre, poiché la pioggia battente spinta dal vento (WDR) svolge un ruolo centrale in questi processi, la sua distribuzione attorno ai monumenti è verosimilmente in grado di riflettere la distribuzione delle forme di degrado osservati. Intuizione ed esperienza hanno addestrato gli operatori sul campo a identificare la dipendenza dei meccanismi di deterioramento da orientamento e geometria specifica del monumento. Pertanto, si può dedurre che le distribuzioni di WDR rappresentino un fattore guida del degrado che gli esperti possono facilmente padroneggiare e utilizzare per inferire i futuri cambiamenti nelle distribuzioni di deterioramento.
Si ipotizza quindi che le proiezioni su come l’esposizione agli agenti atmosferici potrebbe evolvere intorno ai monumenti in futuro possano supportare gli operatori sul campo nell’anticipare l’evoluzione di tali modelli di degrado. Ciò rappresenta un nuovo paradigma per trarre benefici reciproci dalla collaborazione tra esperti di conservazione e climatologia applicata al patrimonio costruito. Tuttavia, per il successo di questo approccio è fondamentale che le previsioni del modello siano accessibili in modo intuitivo e contestualizzate in situ. Per questo motivo stiamo lavorando con XR per i nostri Conservation Copilots, una strategia promettente per integrare conoscenza osservativa e modellazione scientifica a supporto di strategie di conservazione contestualizzate.13
Monitoraggio e modellazione del ruolo del clima
Una conservazione efficace dipende dall’accesso tempestivo alle informazioni e dalla comprensione di come le condizioni microclimatiche influenzino il degrado dei materiali. Negli ultimi anni, ciò ha stimolato approcci che combinano monitoraggio, analisi geometrica e pianificazione.14 L’acqua, proveniente da precipitazioni, risalita capillare e condensazione, rimane un fattore primario di degrado nel patrimonio costruito.15 Mentre la pioggia verticale può spesso essere mitigata tramite interventi architettonici, la WDR è più difficile da controllare ed è fortemente influenzata dal microclima locale, dalla geometria e dal contesto circostante.16 La sua caratterizzazione si basa su diversi approcci, come misurazioni dirette,17 metodi semi-empirici18 e modellazione mediante la fluidodinamica computazionale (CFD).19
Le misurazioni dirette forniscono dati di riferimento essenziali, ma risultano spesso impraticabili in geometrie storiche complesse o inaccessibili.20 Al contrario, la CFD consente valutazioni dettagliate e non invasive, ma rimane computazionalmente impegnativa e generalmente limitata a scenari meteorologici selezionati.21 I modelli semi-empirici, pur essendo più facili da applicare, faticano a cogliere la complessità architettonica e spesso sottostimano gli effetti di protezione e schermatura dal vento.22 Studi esistenti mirano a migliorare e combinare questi modelli generando Wall Factors raffinati tramite Machine Learning (ML).23 Tuttavia, considerare pienamente la specificità geometrica degli edifici storici resta complesso, indicando la necessità di approcci ibridi che integrino monitoraggio, modellazione e descrizioni spaziali.
I progressi nella documentazione 3D, come scanner laser, fotogrammetria e analisi automatizzata di point cloud (punti nuvola),24 possono facilitare questo processo. Attraverso parametri geometrici quali orientamento, altezza, profili superficiali e definizione degli elementi circostanti ed esposizione, tali strumenti offrono informazioni strutturate sulle discrepanze introdotte dai wall factors generalizzati utilizzati nei metodi semi-empirici. Più importante ancora, essi forniscono una base razionale per derivare wall factors localizzati, permettendo previsioni più accurate della distribuzione della WDR intorno ai monumenti, senza ricorrere a simulazioni fluidodinamiche computazionalmente proibitive.
Il Physics-Informed Machine Learning (PIML) rappresenta un modo efficiente per ottenere ciò, mantenendo una coerenza fisica. Tuttavia, esso richiede ampi dati sperimentali, e le lacune, ad esempio a causa di malfunzionamenti sporadici dei sensori, possono costituire un problema.. Le soluzioni possono includere l’uso della compensazione delle lacune mediante l’uso di ML25 o dati sintetici generati tramite simulazioni CFD. Con questi strumenti, i parametri matematici che definiscono la forma come orientamento superficiale, relazioni normali e volumetriche, estratti da modelli 3D tramite framework Python come COMPAS,26 forniscono una logica spaziale e una struttura utile a derivare la distribuzione degli eventi intensi.
Infine, si stanno esplorando modelli Long Short-Term Memory (LSTM) per rilevare le caratteristiche sequenziali degli eventi meteorologici,27 potendo così tenere conto dell’inerzia dei cicli di imbibizione ed essiccamento. Ciò consente ulteriormente di identificare eventi intensi e di prevederne l’evoluzione in scenari di cambiamento climatico.
Visualizzare i cambiamenti nel degrado
L’approccio illustrato permette di trasformare descrittori climatici generici, su scala chilometrica, in previsioni sull’estensione e la frequenza degli eventi intensi che colpiscono monumenti e aree circostanti, tenendo conto delle loro geometrie complesse. Ciò consente un cambiamento fondamentale nella percezione, riformulando il clima non più come una forza esterna generalizzata, ma come un fattore spazialmente definito che guida il degrado nelle esposizioni passate, presenti e future.
Come spiegato in precedenza, tali previsioni sugli eventi intensi costituiscono un collegamento cruciale che consente agli esperti del settore di anticipare meglio i cambiamenti nelle manifestazioni di degrado. Infatti, questi specialisti possiedono tipicamente una comprensione basata sull’esperienza di quali esposizioni portano a specifici tipi di deterioramento. Definendo come gli eventi intensi potrebbero evolvere intorno a un monumento, essi possono quindi
prevedere come cambieranno le forme di degrado e ideare strategie di conservazione a lungo termine più efficaci.
Passare dalle previsioni sugli eventi intensi alla previsione dei cambiamenti nelle tipologie e nei tassi di deterioramento resta tuttavia una sfida. A tal fine, è necessario integrare l’esperienza del settore e le osservazioni sul campo con i principi della scienza dei materiali per la conservazione, la ricerca sperimentale di laboratorio e le analisi strutturali.28 Approcci promettenti includono il PIML e il Design of Experiments basato su metodi statistici.29 Se applicati con successo, come rappresentato in figura 4, questi approcci instaurerebbero un potente collegamento tra competenze sul campo, scienza della conservazione, analisi strutturale e climatologia. La geometria digitale verrebbe così trasformata da semplice ausilio visivo in uno strumento capace di contestualizzare l’impatto previsto dei fattori ambientali stressanti. In linea con questa visione, le previsioni sugli eventi intensi possono essere utilizzate, ad esempio, per generare mappe di rischio. Come illustrato in figura 1, queste mappe presentano una scala di dettaglio calibrata sul monumento, superando la genericità della risoluzione regionale.
Conclusioni
La climatologia applicata al patrimonio si è affermata come un campo di grande rilevanza, volto a valutare le conseguenze e i rischi del cambiamento climatico sul patrimonio culturale.30 Nel caso del patrimonio costruito, gli studi su larga scala forniscono indicazioni generali ai responsabili regionali, ma i dettagli locali rimangono critici per comprendere il degrado specifico dei singoli monumenti. Il presente contributo ha delineato un approccio radicato a livello locale, incentrato sul degrado indotto dall’acqua e sulla WDR.
Questo approccio consente di prevedere i cambiamenti negli eventi intensi, rappresentando un’opportunità unica per supportare gli esperti del settore nel riformulare la loro comprensione dei processi di degrado sui monumenti in relazione al cambiamento climatico. Per il successo di questa strategia, è necessario sviluppare flussi di lavoro che arricchiscano tale expertise attraverso la scienza della conservazione, studi di laboratorio e analisi strutturali. Ancora più importante, queste informazioni devono essere veicolate in modo altamente accessibile e intuitivo. I Conservation Copilots basati su AI e XR rappresentano gli strumenti individuati per raggiungere questo obiettivo.
Note
1 Siegesmund, «Stone in Architecture: Properties, Durability».
2 Praticò, «Practical Applications of Science».
3 Orr, «Wind-Driven Rain and Future».
4 Brimblecombe, «Applied Climatology for Heritage».
5 Patankar, «Heritage ++».
6 Camuffo, «Origin and Growth Mechanisms»; Siegesmund, «Stone in Architecture: Properties, Durability».
7 Bonazza, «Mapping the Impact of.2008.10.067».
8 Brimblecombe, «Applied Climatology for Heritage».
9 Grossi, «Predicting Long Term»;
Richards, «Multi-Model Ensemble».10 Grossi, «Predicting Long Term».
11 Richards, «The Transfer of Heritage».
12 Bonazza, «Climate Change».
13 Khatri, «Domain Expert 2.0».
14 Jouan, «Digital Twin:».
15 Sass, «Heritage Hydrology».
16 Tang , «Erosion of Limestone».
17 Tang , «Erosion of Limestone»; Praticò, «Practical Applications of Science»; Weichbrodt, «Water Transport».
18 Straube, «Simplified Prediction».
19 Blocken, «A Review of Wind-Driven Rain».
20 Raffler , «Mounting of Sensors».
21 Wang, «Coupled Simulations».
22 Blocken, «A Review of Wind-Driven Rain».
23 Gholamalipour, «Refined ISO Model».
24 Penjor, «Heritage Building Conservation: Framework of Challenges».
25 Lu, «Predicting Wind-Driven».
26 Van Mele, «COMPAS»
27 Gao, «Physics-Constrained Wind Power».
28 Maia Avelino, «Augmented Reality».
29 Praticò, «Practical Applications of Science».
30 Brimblecombe, «Applied Climatology for Heritage».