Valutazione basata sui dati delle cause e della mitigazione dei rifiuti da costruzione e demolizione mediante Machine Learning

Un gruppo di ricerca indiano ha pubblicato su Construction Materials (MDPI) uno studio che combina un’indagine basata su questionari con modelli di machine learning per individuare le cause principali degli scarti da costruzione e demolizione (C&D waste) e definire strategie di riduzione mirate. Il lavoro, firmato da Choudhury Gyanaranjan Samal, Dipti Ranjan Biswal, Sujit Kumar Pradhan e Ajit Kumar Pasayat (DOI: 10.3390/constrmater5040088), si colloca nel contesto indiano, dove l’urbanizzazione accelerata e pratiche costruttive ad alto consumo di materiale rendono la gestione dei rifiuti da costruzione e demolizione una criticità persistente.

Campione e impostazione dello studio

La base dati comprende 116 professionisti di tutti i livelli gerarchici (junior, middle e senior management), con età comprese tra i 20 e oltre i 60 anni, attivi in edilizia, consulenza, project management, opere stradali, ponti e strutture industriali. La maggioranza dei rispondenti (57%) dichiara 6-20 anni di esperienza, un dato che secondo gli autori garantisce la rappresentanza sia dei ruoli operativi sia di quelli decisionali.

Su questi dati è stato applicato il metodo dell’Indice di Importanza Relativa (RII), una tecnica statistica di classificazione utilizzata per ordinare cause di scarto e tecniche di minimizzazione in base alla percezione del settore. Per rafforzare l’analisi, i ricercatori hanno testato tre modelli di machine learning: Random Forest, Gradient Boosting e Linear Regression. Random Forest ha fornito la migliore performance, con un R² di 0,62, offrendo indicazioni sull’importanza relativa delle diverse strategie di mitigazione.

Risultati: il fattore umano e il controllo qualità

Le evidenze delimitano con precisione quali leve pesano di più, materiale per materiale:

• per calcestruzzo, malta, mattoni, acciaio e piastrelle, le variabili più critiche nella riduzione degli scarti risultano le competenze della manodopera e il controllo qualità;
• per il terreno da scavo, la leva determinante è una pianificazione adeguata delle attività;
• per il legno, pesa la qualità dell’approvvigionamento.

Sulla base di questa gerarchia, le strategie di minimizzazione raccomandate sono quattro: formazione del personale, controlli qualità rigorosi, pianificazione migliorata e prefabbricazione.

Il valore del framework per la gestione dei cantieri

Il contributo del lavoro sta nell’integrazione tra analisi percettiva e tecniche data-driven: l’accostamento delle classifiche ottenute con il RII ai modelli di machine learning restituisce un framework complessivo per la minimizzazione del C&D waste, che gli autori indicano come supporto alla riduzione dei costi e alla sostenibilità nei progetti di costruzione. Per il professionista, l’output operativo è una priorità ordinata degli interventi: quali cause contrastare per prime e con quali strumenti, in funzione del materiale coinvolto.

Limiti dichiarati

Gli stessi autori delimitano il perimetro di validità dei risultati:

• i dati provengono da questionari auto-compilati, con possibili effetti di soggettività e bias regionale;
• i risultati potrebbero non generalizzare oltre il contesto costruttivo indiano, a causa della dimensione del campione e dello sbilanciamento settoriale;
• l’assenza di dati di cantiere in tempo reale e l’accesso limitato a sistemi integrati di gestione dei rifiuti riducono l’accuratezza predittiva dei modelli di machine learning.

Nonostante queste condizioni, la combinazione tra percezione del settore e analisi quantitativa viene indicata dagli autori come un approccio utile a supporto della gestione sostenibile delle costruzioni, in particolare dove mancano sistemi strutturati di raccolta dati sugli scarti.