Manuale tecnico di AI per l’ingegneria civile
Dalla Point Cloud ai modelli parametrici HBriM e FEM per strutture e infrastrutture
scopri di piùL’intelligenza artificiale sta trasformando la progettazione strutturale, ma la sua adozione richiede metodi verificabili, tracciabili e coerenti con le responsabilità tecniche dell’ingegneria civile.
Il “Manuale tecnico di AI per l’Ingegneria Civile: Dalla Point Cloud ai modelli parametrici HBrIM e FEM per strutture e infrastrutture” propone un workflow end-to-end per convertire il rilievo 3D in conoscenza tecnica, modello informativo e modello di calcolo.
L’opera accompagna il professionista dalla nuvola di punti ai processi di sezionamento, segmentazione e modellazione 3D, fino alla costruzione parametrica mediante programmazione visuale in Grasshopper e alla generazione di modelli HBrIM interoperabili e FEM per analisi e verifiche strutturali.
Machine Learning e Deep Learning sono presentati non come automatismi opachi, ma come processi controllati, documentati e validati mediante criteri QA/QC, metriche di accuratezza e audit del dato.
Particolare attenzione è dedicata alle infrastrutture esistenti, alla manutenzione programmata e predittiva, alla valutazione del rischio e alla gestione del ciclo di vita dell’opera.
Il workflow è impostato per dialogare con le indicazioni ANSFISA e con le norme UNI EN ISO 19650 applicabili a qualità, interoperabilità, gestione informativa e tracciabilità. IFC 4.3, modelli BrIM/HBIM, calcolo FEM e Digital Twin sono trattati come parti di un’unica catena metodologica, dalla fase conoscitiva alla modellazione computazionale e alla decisione tecnica.
Con formule, diagrammi e procedure operative, il volume offre al tecnico uno strumento rigoroso per governare l’AI e trasformare il rilievo in modelli infrastrutturali affidabili, controllabili e pronti per l’uso professionale.
Alfredo Restuccia Garofalo,
è ingegnere civile-edile e dottore di ricerca in “Rischio, Sviluppo Ambientale, Territoriale ed Edilizio” presso il Politecnico di Bari, con tesi su Machine Learning, BrIM/FEM e ponti. Libero professionista, BIM Specialist ed esperto BIM per OdV tramite lo spin-off del Politecnico di Bari AESEI S.r.l., affianca ricerca, progettazione, docenza e formazione.
Leggi tutto◾ Workflow end-to-end:
dalla nuvola di punti grezza alla generazione automatica di modelli HBriM e mesh FEM.
◾ Machine & Deep Learning:
classificazione semantica degli elementi strutturali tramite Random Forest e architetture PointNet.
◾ Interoperabilità totale:
mappatura rigorosa verso lo standard IFC 4.3 per Grasshopper, Rhinoceros e solutori FEM (es. Midas).
◾ Zero “black box”:
pieno controllo dell’ingegnere sugli algoritmi tramite severi protocolli di validazione e qualità (QA/QC).
◾ Automazione in Python:
snippet di codice pronti all’uso e pratiche MLOps per gestire e scalare i flussi di lavoro.
◾ Digital Twin:
integrazione di geometrie as-built, risultati strutturali e sensori per la manutenzione predittiva.
| Pagine | 384 |
| Data pubblicazione | Luglio 2026 |
| ISBN | 8891677709 |
| ean | 9788891677709 |
| Tipologia prodotto | Cartaceo |
| Sottotitolo | Dalla Point Cloud ai modelli parametrici HBriM e FEM per strutture e infrastrutture |
| Collana | ATEU - Ambiente Territorio Edilizia Urbanistica |
| Editore | Maggioli Editore |
| Dimensione | 17x24 |
Introduzione
Ringraziamenti
1. Fondamenti, strumenti e workflow per l’elaborazione 3D di infrastrutture pontuali
1.0 Introduzione
1.1 Introduzione al testo e agli obiettivi
1.2 Rappresentazione dei dati 3D
1.3 Specificità delle nuvole di punti
1.4 Fasi del flusso di lavoro per l’elaborazione 3D
1.5 Primi passi con Python
1.6 Librerie per la gestione delle nuvole di punti
1.7 Esempio pratico: manipolazione e visualizzazione di una nuvola di punti
2. Sistemi di acquisizione 3D, telerilevamento LiDAR e pipeline di elaborazione
2.1 Introduzione: ruolo del capitolo e collocazione nel workflow
2.2 Architettura dei sistemi di acquisizione e gestione
2.3 Principi di rilevazione 3D (ToF, geometria e tessitura)
2.4 Fondamenti di telerilevamento LiDAR e catena radiometrica
2.5 Nuvole di punti e rappresentazioni: LAS/E57, mesh/NURBS e IFC 4.3
2.6 Fondamenti di apprendimento automatico su nuvole di punti .. » 32
2.7 Flusso operativo LiDAR per Object Detection
2.8 Librerie specialistiche per point cloud 3D
2.9 Gestione operativa delle nuvole in ambiente Python
2.10Pattern di automazione e snippet riproducibili
3. Tecniche di segmentazione delle nuvole di punti 3D
3.0 Introduzione
3.1 Pre‑processamento della nuvola di punti
3.2 Campionamento spaziale tramite griglia voxel
3.3 RANSAC per piani dominanti e separazione suolo/ostacoli
3.4 Segmentazione non supervisionata: normali, istogrammi, DoN
3.5 Clustering spaziale (Euclidean, DBSCAN/HDBSCAN)
3.6 Region growing con criteri di coerenza
3.7 Differenza di normali (DoN) e rilevamento multi‑scala
3.8 Strutture dati per segmentazione efficiente (KD‑Tree, Octree, Voxel)
3.9 Metriche, errori comuni e validazione dei segmenti
4. Classificazione supervisionata delle nuvole di punti 3D: addestramento, validazione e persistenza del modello
4.0 Introduzione
4.1 Dati e feature di ingresso
4.2 Definizione del problema e schema di etichettatura
4.3 Split del dataset e bilanciamento
4.4 Addestramento del modello Random Forest
4.5 Ricerca degli iperparametri e cross‑validation
4.6 Metriche di valutazione e confusion matrix
4.7 Interpretabilità del modello: importanze e effetti
4.8 Persistenza del modello e metadati
4.9 Predizione sulla nuvola di validazione
4.10Governing e riproducibilità
5. Deep Learning su nuvole di punti 3D: Pointnet/Pointnet++ e Pipeline Dati
5.0 Introduzione
5.1 Fondamenti di PointNet
5.2 PointNet++ e gerarchia locale
5.3 Pre‑processing e partizionamento in blocchi
5.4 Preparazione dei dati per PointNet
5.5 Strategia di addestramento
5.6 Valutazione e calibrazione
5.7 Inference e integrazione nel workflow
5.8 Tracciabilità, versioning e persistenza
6. Analisi dei risultati e confronto
6.0 Introduzione
6.1 Setup sperimentale e dataset di validazione
6.2 Metriche e protocolli
6.3 Risultati globali (RF)
6.4 Risultati globali (DL)
6.5 Confronto RF vs DL e significatività
6.6 Calibrazione delle probabilità
6.7 Robustezza a pipeline e parametri
6.8 Ablation sulle feature
6.9 Impatto sui flussi di modellazione e FEM
6.10Sintesi e linee guida
7. Digital Twin delle infrastrutture
7.0 Introduzione al capitolo
7.1 Digital Twin per ponti: requisiti e benefici
7.2 Tecnologie abilitanti per il Digital Twin
7.3 Digital Twin Workflow
7.4 Reverse engineering
7.5 Analisi predittiva e manutenzione nel Digital Twin
7.6 Integrazione della simulazione con il Digital Twin
8 Software per modellazione 3D e integrazione BriM/FEM
8.1 Panoramica dei software di modellazione 3D
8.2 Software di modellazione parametrica
8.3 Simulazione FEM e analisi strutturale
8.4 Digital Twin: visualizzazione, pubblicazione e fruizione
8.5 Plugin e sviluppo
9. Infrastrutture digitali e gestione dei dati complessi
9.1 Infrastrutture digitali per dati 3D: data lake, cataloghi e metadati
9.2 Architetture distribuite per dati 3D, ML e FEM
9.3 Architettura logica e componenti
9.4 Integrazione HBIM-FEM
9.5 Strategie di interoperabilità
10. Tipologie di dati e formati per rilievo 3D
10.1 Acquisizione, organizzazione e qualità dei dati di rilievo
10.2 Dataset e acquisizione delle nuvole di punti
10.3 Strategie di campionamento e gestione del rumore
10.4 Integrazione tra rilievo e modellazione nel ciclo di vita del ponte
10.5 Organizzazione e gestione dei dataset 3D per l’addestramento
10.6 Qualità, accuratezza e densità delle nuvole di punti
10.7 Glossario dei simboli
10.8 Gestione dei metadati e informazioni ausiliarie nei dataset 3D
11.Estrazione delle feature e preparazione dei dati
11.1 Estrazione delle feature: definizioni, formule e implementazione
11.2 Tecniche geometriche basate su autovalori e normali
11.3 Preprocessing e normalizzazione dei dati
11.4 Ottimizzazione e salvataggio dei dataset per l’addestramento
12. Introduzione al machine learning supervisionato
12.1 Che cos’è l’apprendimento supervisionato
12.2 Bilanciamento delle classi e strategie di training
12.3 Addestramento Random Forest (RF)
12.4 Validazione & calibrazione delle probabilità (RF)
12.5 Post‑processing spaziale & vincoli topologici
13. Meshing da nuvole di punti per modelli FEM
13.1 Obiettivi e raccordi di pipeline
13.2 Dalla risoluzione del rilievo alla taglia di elemento
13.3 Indici di qualità e criteri di accettazione
13.4 Convergenza e strategie di raffinamento
13.5 Metodologie scan‑to‑FEM per infrastrutture
13.6 BriM - Obiettivi e approccio
13.7 Integrazione tra BriM e FEM
14.Riepilogo dei risultati
14.1 Obiettivi del riepilogo e perimetro
14.2 Limiti metodologici
14.3 Generalizzazione e trasferibilità
14.4 Evoluzioni in DL 3D e Digital Twin
15. Contributi scientifici e tecnici del lavoro
15.1 Sintesi dei contributi
15.2 Sviluppi futuri e prospettive di ricerca
15.3 Applicazioni future e impatto sul settore infrastrutturale
15.4 Limiti del lavoro e sviluppi futuri
Bibliografia generale
APPENDICE A - Nomenclatura e simboli
APPENDICE B - Acronimi e abbreviazioni
APPENDICE C - Formule e metriche
APPENDICE D - Dataset e partizioni
APPENDICE E - Ambiente software e riproducibilità
APPENDICE F - Linee guida, licenze e responsabilità
Indice delle figure
Indice delle tabelle
-
5%
Gestione del flusso informativo digitale negli appalti di lavori pubbliciCartaceoSpecial Price 37,05 €SCONTO 5%5%Anzichè 39,00 €
