Nel processo di gestione del cantiere di restauro architettonico si assiste all’adozione di processi condotti in gran parte modo tradizionale sempre più spesso a fianco di attività fortemente influenzate dall’uso delle nuove tecnologie. In particolare, i nuovi strumenti per il rilevamento restituiscono sempre più informazioni, ad altissima risoluzione, riducendo progressivamente il tempo di acquisizione. Per gestire e strutturare questi dati, le discipline della rappresentazione e della geomatica in questi anni hanno sviluppato workflow di restituzione sempre più efficienti applicando i processi del Building Information Modeling (BIM) al patrimonio costruito (HBIM). Mentre gli strumenti di acquisizione hanno subito un’evoluzione rapidissima non si può dire altrettanto delle metodologie per la gestione dei dati raccolti e degli strumenti di modellazione informata. In questo contesto è sempre più forte l’esigenza di applicare processi di Machine Learning per migliorare la gestione e la modellizzazione1 dei dati nei processi di restituzione del patrimonio. Il saggio presenta brevemente il workflow semiautomatico DECAI per la mappatura delle superfici architettoniche e la loro annotazione in ambiente HBIM. Il caso studio è il prospetto su Via Porta Praetoria, le facciate dell’androne e le facciate del cavedio interno di Palazzo Ansermin, ad Aosta. Lo scritto non ha la presunzione di sostituire le tradizionali procedure di indagine quanto piuttosto di proporne un’integrazione e un’ottimizzazione, seguendo un workflow che inizia con un rilievo fotogrammetrico e si conclude con l’arricchimento informativo di un modello HBIM del costruito.
Esperienze di Machine Learning per l’arricchimento informativo di modelli HBIM: il progetto DECAI - Machine Learning Experiences for Information Enrichment of HBIM Models: the DECAI Project / Lo Turco, Massimiliano; Tomalini, Andrea. - In: DN. - ISSN 2610-8755. - ELETTRONICO. - 9:(2021), pp. 47-59.
Esperienze di Machine Learning per l’arricchimento informativo di modelli HBIM: il progetto DECAI - Machine Learning Experiences for Information Enrichment of HBIM Models: the DECAI Project
Lo Turco, Massimiliano;Tomalini, Andrea
2021
Abstract
Nel processo di gestione del cantiere di restauro architettonico si assiste all’adozione di processi condotti in gran parte modo tradizionale sempre più spesso a fianco di attività fortemente influenzate dall’uso delle nuove tecnologie. In particolare, i nuovi strumenti per il rilevamento restituiscono sempre più informazioni, ad altissima risoluzione, riducendo progressivamente il tempo di acquisizione. Per gestire e strutturare questi dati, le discipline della rappresentazione e della geomatica in questi anni hanno sviluppato workflow di restituzione sempre più efficienti applicando i processi del Building Information Modeling (BIM) al patrimonio costruito (HBIM). Mentre gli strumenti di acquisizione hanno subito un’evoluzione rapidissima non si può dire altrettanto delle metodologie per la gestione dei dati raccolti e degli strumenti di modellazione informata. In questo contesto è sempre più forte l’esigenza di applicare processi di Machine Learning per migliorare la gestione e la modellizzazione1 dei dati nei processi di restituzione del patrimonio. Il saggio presenta brevemente il workflow semiautomatico DECAI per la mappatura delle superfici architettoniche e la loro annotazione in ambiente HBIM. Il caso studio è il prospetto su Via Porta Praetoria, le facciate dell’androne e le facciate del cavedio interno di Palazzo Ansermin, ad Aosta. Lo scritto non ha la presunzione di sostituire le tradizionali procedure di indagine quanto piuttosto di proporne un’integrazione e un’ottimizzazione, seguendo un workflow che inizia con un rilievo fotogrammetrico e si conclude con l’arricchimento informativo di un modello HBIM del costruito.File | Dimensione | Formato | |
---|---|---|---|
Dn09_LoTurco-Tomalini.pdf
accesso riservato
Tipologia:
2a Post-print versione editoriale / Version of Record
Licenza:
Non Pubblico - Accesso privato/ristretto
Dimensione
4.18 MB
Formato
Adobe PDF
|
4.18 MB | Adobe PDF | Visualizza/Apri Richiedi una copia |
Pubblicazioni consigliate
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/11583/2958721