• artificial intelligence
• consumi energetici
• energia
• energy
• intelligenza artificiale
• machine learning
• simulazioni su scala urbana
• urban-scale simulations

In un periodo storico di crescente consapevolezza rispetto all'importanza di ottimizzare l’efficienza degli edifici, la capacità di poter svolgere simulazioni energetiche affidabili è un requisito imprescindibile per professionisti e addetti ai lavori. Per questa ragione, è importante migliorare costantemente i modelli esistenti e introdurre nuovi strumenti che aiutino a colmare il gap prestazionale che separa i consumi reali da quelli stimati in fase di calcolo. Ciò è ancora più significativo se si considerano le simulazioni a scala urbana, dove anche piccoli casi di studio possono risultare estremamente complessi, introducendo la necessità di trovare il giusto equilibrio tra precisione e tempi di calcolo. L’obiettivo di questa tesi è di valutare la possibilità di usare l’intelligenza artificiale per predire efficacemente i consumi energetici degli edifici affrontando il problema su scala urbana. Per poter fare ciò è stato proposto e messo alla prova su due casi di studio, uno in Italia e uno in Svizzera, un modello basato sul machine learning. I risultati ottenuti sono poi stati confrontati sia con i consumi reali che con quelli stimati da un software di simulazione. La ricerca ha mostrato come l’uso di un simile modello possa portare a risultati in linea, se non migliori, con quelli di altri metodi di calcolo e ad un gap prestazionale coerente con i valori presenti in letteratura. Le ragioni di questo risultato e i possibili scenari futuri sono infine discussi.

With a growing awareness around the importance of optimization of buildings’ efficiency, being able to make accurate predictions of their energy demand is an invaluable asset for practitioners and designers. For this reason, it is important to constantly improve existing models as well as introduce new methods that can help reduce the so-called energy performance gap, which separates predicted from actual consumption values. This is especially true for urban scale simulations, where even small scenes can be very complex and carry the necessity of finding a reasonable balance between precision and computational efforts. The scope of this thesis is to evaluate the possibility of using artificial intelligence to effectively predict the energy demand of buildings at urban scale. For this purpose, a machine learning based model is created and confronted with two case studies, one in Switzerland and one in Italy. Its results are compared with the in situ measured consumption and with the estimations of a simulation software. The research showed that the use of machine learning resulted in a performance gap in line, if not lower, with the current literature. The reasons for this outcome, as well as possible future research directions are finally discussed.