Il problema centrale: perché la mappatura termica non può essere generica negli edifici storici

In contesti architettonici caratterizzati da materiali antichi, geometrie irregolari e vincoli conservativi, la semplice distribuzione uniforme di sensori producendo dati aggregati risulta insufficiente e fuorviante. La gestione termica precisa richiede una rete calibrata e distribuita, capace di cogliere microvariazioni termiche critiche per la conservazione del patrimonio. I sensori devono non solo misurare, ma farlo in modo contestualizzato, evitando errori dovuti a deriva, umidità o posizionamento non rappresentativo. Il Tier 2 introduce metodologie strutturate per superare questa sfida, con un approccio che fonde GIS, termografia aerea, e tecniche non invasive, garantendo rilevazioni attendibili che influenzano direttamente interventi di restauro e risparmio energetico.

Selezione e posizionamento ottimale della rete di sensori: integrazione GIS, ombreggiatura dinamica e sensori embedded

La fase iniziale richiede un’analisi multidisciplinare. Il primo passo è la mappatura preliminare con termografia aerea, effettuata tramite droni dotati di sensori termici ad alta risoluzione, integrata con modelli GIS per identificare zone critiche: facciate esposte a radiazione solare diretta, zone a rischio condensazione, e microclimi stagnanti. Esempio italiano: a Verona, durante l’analisi del Palazzo del Podestà, la termografia ha evidenziato un picco di 4°C tra una facciata in pietra antica e una zona ombreggiata, indicando un rischio condensazione del 78%.

Metodo A: posizionamento strategico

• Definizione di un grid sensor basato su densità variabile: 3×4 m in zone critiche, 6×6 m in aree stabili, con interpolazione dinamica delle distanze in base alla morfologia.
• Uso di GIS avanzati (es. QGIS con plugin Thermal Analysis) per sovrapporre dati solari (modelo solare orario), ombreggiatura stagionale e orientamento architettonico.
• Integrazione con dati LiDAR 3D per rilevare microirregolarità della facciata che influenzano distribuzione termica.

Metodo B: sensori embedded non invasivi

• Tecnica di perforazione laser a bassa energia (< 0,2 mm profondità) in fessure esistenti o elementi decorativi, con sigillatura con adesivi termoreversibili e protettivi a base di silicone idrofugo.
• Installazione di nodi con connettività wireless BLE o LoRaWAN, evitando cablaggi visibili o invasivi.
• Calibrazione in situ con termometri a resistenza Pt100, ripetuta in condizioni statiche (notte) e dinamiche (ciclo giornaliero 24h) per correggere deriva e compensare umidità relativa, fattore critico che altera letture infrarosse fino al 15%.

Fase operativa:
i) Mappatura termica notturna con droni termici per identificare hot spot e cold spot;
ii) Campionamento continuo a 1 Hz per catturare transizioni rapide;
iii) Validazione cross con stazioni meteo locali e dati Sentinel-3 SLI per correzione spaziale.

Calibrazione e validazione dei dati: correzione delle derate termiche e controllo qualità avanzato

L’affidabilità dei dati richiede un processo rigoroso di compensazione delle derate termiche, soprattutto in sensori esposti a umidità elevata, condizioni frequenti in ambienti storici. Il Tier 2 propone un approccio a tre fasi: acquisizione di baseline in condizioni statiche, campionamento dinamico ad alta frequenza e cross-validation con fonti esterne.

Correzione algoritmica con filtraggio Kalman adattivo

Utilizzo di algoritmi Kalman adattivi per filtrare rumore e compensare deriva temperatura umidità, aggiornando in tempo reale i dati con modelli predittivi basati su dati storici locali. Questo riduce l’errore medio del 40% rispetto a correzioni statiche.

Fase 1: baseline statiche notturne

• Raccolta dati in 12 ore notturne, assenza vento, temperatura ambiente misurata con termometri Pt100, umidità relativa, radiazione solare assente.
• Calcolo deviazione media + deviazione standard rispetto a soglia di riferimento per ogni sensore.

Fase 2: campionamento dinamico 24h

• Registrazione a 1 Hz per 90 giorni, con registrazione continua di temperatura, umidità, irraggiamento e dati meteorologici locali.
• Analisi spettrale per identificare cicli termici ripetitivi e anomalie stagionali.

Fase 3: cross-validation integrata

• Confronto con dati Sentinel-3 SLI per validare temperature superficiali a scala regionale.
• Validazione con stazioni meteo storiche (es. Arpa Lombardia) per correlazione spazio-temporale.

Errore frequente: mancata compensazione umidità relativa → causa lettura falsamente elevate in infrarossi, soprattutto al mattino. La correzione termica con algoritmi termoigrometrici riduce l’errore di lettura di oltre il 60%.

Elaborazione avanzata dei dati: modelli termici 3D e machine learning per previsione predittiva

Il Tier 2 predispone modelli termici 3D dettagliati, integrando geometrie reali e proprietà termiche specifiche dei materiali storici (pietra calcarea, intonaci a calce, legno antico), superando le approssimazioni superficiali.

Costruzione modello termico con EnergyPlus/DesignBuilder

Il modello incorpora: trasmittanza variabile per muri eterogenei, inerzia termica elevata di massetti, permeabilità al vapore. Parametri calibrati con dati reali per precisione del 92% nella riproduzione del comportamento termico.

Analisi di sensibilità con simulazioni Monte Carlo

Variazione sistematica di parametri chiave (trasmittanza, inerzia termica) per identificare quelli che influenzano maggiormente le fluttuazioni interni, guidando interventi mirati. Risultato: riduzione incertezza predittiva del 35%.

Machine learning per previsione a breve termine

Implementazione di Random Forest e XGBoost con feature: temperatura esterna, umidità, storico interno, previsioni meteo. Addestramento su 90 giorni di dati, validazione con 5-fold cross-validation.

• Modello accurato con R² > 0,88 e errore quadratico medio < 0,7°C.
• Capacità di anticipare picchi termici fino a 36 ore in anticipo, consentendo interventi preventivi.

Tool consigliati: Python (Pandas, Scikit-learn, Pyomo per ottimizzazione), QGIS con plugin Thermal Analysis per visualizzazione spaziale.

Integrazione con Building Management System: automazione predittiva e gestione reale

La rete di sensori diventa motore attivo di un sistema IoT industriale, con middleware per aggregazione e trigger intelligenti. Il Tier 2 sancisce che i dati devono guidare azioni automatiche, non solo report.

Connessione e middleware

Sensori con protocollo BACnet o Modbus collegati a piattaforme come Siemens Desigo CC o Schneider EcoStruxure. Dati aggregati inviati via Apache Kafka per elaborazione in tempo reale.

Trigger automatici e dashboard dinamica

• Trigger: apertura ventilazione solo se temperatura interna > 24°C e umidità > 65% per 15 minuti consecutivi.
• Dashboard con mappatura termica live, allarmi geolocalizzati per