Machine learning per la conservazione dell’architettura storica: una revisione sistematica tra applicazioni, criticità e prospettive
L’impiego del machine learning (ML) nel settore della conservazione del patrimonio architettonico è in crescita, ma la letteratura scientifica si presenta ancora frammentata. Una revisione sistematica condotta su 33 studi, pubblicata su Buildings (Vol. 16, pag. 2745), ha analizzato le modalità di applicazione dell’apprendimento automatico in questo ambito, evidenziando ambiti di utilizzo, pattern metodologici, lacune conoscitive e direzioni di sviluppo futuro.
La ricerca, condotta seguendo un processo orientato al metodo PRISMA, ha interrogato i database Web of Science, Scopus, IEEE Xplore, ScienceDirect, SpringerLink e Google Scholar fino al 31 gennaio 2026. Gli studi selezionati, dopo applicazione di criteri di inclusione ed esclusione predefiniti, sono stati estratti tramite una scheda di codifica strutturata e sintetizzati mediante analisi tematica qualitativa.
Tre domini applicativi del machine learning nel restauro architettonico
La revisione ha raggruppato i contributi scientifici in tre macroaree tematiche. La prima riguarda la comprensione semantica dei dati relativi al patrimonio culturale: tecniche di ML vengono impiegate per classificare, segmentare e interpretare informazioni provenienti da rilievi, documentazione storica e archivi digitali. La seconda area si concentra sulla diagnostica multi-scala del danno e sul monitoraggio strutturale, con algoritmi in grado di rilevare dissesti, lesioni e degrado a diverse scale di dettaglio. La terza macroarea, di carattere sistemico, integra i modelli previsionali all’interno dei processi di modellazione informativa del patrimonio (HBIM), della fusione di dati eterogenei e dei gemelli digitali.
Dal dato isolato al sistema di supporto decisionale
Dalla sintesi emerge un quadro in evoluzione. Le applicazioni del ML non si limitano più all’analisi isolata di dati provenienti da singole campagne di rilievo. Si osserva una transizione verso sistemi predittivi e strumenti di supporto alle decisioni, capaci di assistere i professionisti nella pianificazione degli interventi conservativi. Tuttavia, permangono limiti significativi che ne ostacolano l’adozione su larga scala nella pratica professionale.
Tra le criticità ricorrenti, la revisione segnala la scarsa generalizzazione dei modelli, la mancanza di dataset di riferimento condivisi, le difficoltà nella trasformazione delle informazioni semantiche in modelli HBIM, le sfide legate alla fusione di dati provenienti da sensori eterogenei e la distanza tra i prototipi di laboratorio e il dispiegamento in contesti reali di cantiere o di monitoraggio.
Verso una conservazione predittiva e contestuale
Nonostante le criticità, il potenziale del ML per supportare strategie di conservazione preventiva, interpretabile e sensibile al contesto è considerato sostanziale. La revisione indica che gli studi analizzati documentano un passaggio da approcci puramente data-driven, focalizzati sull’analisi di singoli dataset, a sistemi integrati in grado di offrire capacità predittive e di supporto alle decisioni progettuali e manutentive.
Il percorso verso una piena integrazione operativa richiede tuttavia il superamento di barriere oggettive. La generalizzazione dei modelli, la disponibilità di dataset benchmark, la trasformazione delle informazioni semantiche in modelli HBIM, la fusione di dati multimodali e la validazione su casi reali rappresentano i nodi critici su cui la ricerca è chiamata a concentrarsi.
Trasparenza, dati condivisi e validazione esterna: le condizioni per il trasferimento tecnologico
La revisione individua tre condizioni necessarie per colmare il divario tra ricerca e pratica professionale. In primo luogo, una rendicontazione più trasparente delle metodologie adottate, che consenta la riproducibilità degli esperimenti. In secondo luogo, la creazione e la condivisione di dataset aperti, indispensabili per addestrare e confrontare modelli su basi comuni. In terzo luogo, la validazione esterna dei modelli su casi studio reali, condotta in collaborazione con esperti del settore conservativo.
L’integrazione tra competenze informatiche e conoscenze specialistiche del restauro emerge come fattore abilitante per trasformare il potenziale del ML in strumenti operativi a disposizione di progettisti, direttori dei lavori e tecnici comunali impegnati nella tutela del patrimonio costruito.
Lascia un commento