L’attività di ricerca si concentra sullo sviluppo, integrazione e applicazione di sensori e tecnologie di misura per l’ambiente costruito, con particolare attenzione al comfort indoor e alla qualità dell’aria, adottando un approccio data-driven, user-centered e orientato alla sostenibilità energetica. Le attività includono la progettazione di setup sperimentali avanzati, la validazione metrologica dei sistemi di misura e l’analisi dei dati mediante tecniche statistiche e di intelligenza artificiale.
Per quanto riguarda il comfort termico, vengono sviluppati e validati setup di misura innovativi basati su parametri fisiologici, quali ECG (per l’estrazione della Heart Rate Variability), PPG, temperatura cutanea e dati provenienti da dispositivi wearable (es. smartwatch). L’integrazione di segnali fisiologici con grandezze ambientali (temperatura, umidità, velocità dell’aria, irraggiamento) consente una valutazione indiretta, continua e personalizzata del comfort, superando i limiti degli approcci tradizionali basati esclusivamente su indici ambientali o questionari.
Le attività comprendono inoltre lo sviluppo di modelli avanzati di comfort termico, quali versioni semplificate e adattive del PMV, e l’applicazione di tecniche di machine learning e deep learning (es. LSTM, CNN, approcci supervisionati e non supervisionati) per la stima, previsione e gestione dinamica del comfort indoor in edifici smart.
Un ulteriore ambito di ricerca riguarda lo sviluppo di metodi e algoritmi di ottimizzazione multi-obiettivo del comfort, che tengono conto simultaneamente di condizioni ambientali, preferenze e comportamento degli utenti, e consumi energetici. Tali algoritmi supportano strategie di controllo intelligenti e personalizzate degli impianti HVAC, mirando a migliorare il benessere degli occupanti e, al contempo, a ridurre l’impatto energetico degli edifici.
Per quanto concerne la qualità dell’aria indoor, l’attività di ricerca include lo sviluppo, la caratterizzazione metrologica, calibrazione e validazione di sensori low-cost e reti di sensori distribuite per il monitoraggio di parametri quali CO₂, particolato (PM), e altri inquinanti. Vengono definite procedure di misura affidabili e replicabili, sia in ambiente controllato sia in contesti reali, con particolare attenzione alla valutazione delle prestazioni dei sensori (accuratezza, precisione, incertezza) e all’analisi dei dati per applicazioni in ambienti residenziali e lavorativi, anche a supporto di servizi data-driven per edifici intelligenti.
Nell’ambito delle misure di benessere indoor, viene studiato l’impiego di un robot di servizio autonomo come piattaforma mobile di misura, in grado di integrare sensori ambientali e sistemi di acquisizione dati. Il robot consente di effettuare misure dinamiche e distribuite all’interno degli edifici, superando i limiti dei sensori fissi e permettendo una caratterizzazione spaziale più accurata di parametri legati al comfort termico, alla qualità dell’aria e ai consumi energetici. L’approccio supporta lo sviluppo di servizi intelligenti per edifici smart, combinando dati ambientali, modelli di comfort e analisi data-driven per la valutazione del benessere degli occupanti e l’ottimizzazione delle prestazioni energetiche.
Le attività di ricerca nell’ambito dello Structural Health Monitoring (SHM) sono focalizzate sullo sviluppo di procedure di misura multisensore e non distruttive per l’identificazione e la valutazione dei danni strutturali negli edifici, in particolare in contesti post-sismici. In questo ambito vengono integrate tecnologie di acquisizione remota (droni equipaggiati con camere RGB e termiche, laser scanner terrestri – TLS) e tecniche di data fusion per la ricostruzione di modelli 3D ad alta risoluzione delle strutture. A partire da tali modelli, vengono estratti dati multimodali (visivi, termici e geometrici) utilizzati per l’individuazione automatica di lesioni e discontinuità superficiali. Le attività includono inoltre lo sviluppo e l’applicazione di algoritmi di intelligenza artificiale e deep learning (es. reti U-Net) per la segmentazione e identificazione delle fessurazioni, supportati da tecniche di preprocessing (PCA) e postprocessing morfologico per ridurre i falsi positivi e migliorare l’affidabilità dei risultati. L’approccio consente una valutazione oggettiva e quantitativa dello stato di salute strutturale, migliorando la sicurezza degli operatori, riducendo i tempi di ispezione rispetto ai metodi tradizionali e supportando i processi decisionali per la prioritizzazione degli interventi e la gestione del ciclo di vita degli edifici.
Prof. Gian Marco Revel
Tel. +39 071 220 4518
email: gm.revel@staff.univpm.it
Prof.ssa Sara Casaccia
Tel. +39 071 220 4273
email: s.casaccia@staff.univpm.it
Prof. Nicole Morresi
Tel. +39 071 220 4273
email: n.morresi@staff.univpm.it