AI-assisted integration of reused concrete elements in architectural design

This thesis investigates how artificial intelligence can support circular construction by integrating reused concrete elements into architectural design workflows. The research focuses on the early design stage, where choices about geometry, layout, and material allocation strongly influence embodied greenhouse-gas emissions. Reuse is treated as a design problem that shapes building form, rather than a leftover material addressed once demolition is complete. The study develops a modular computational workflow in Rhino and Grasshopper that connects three dimensions: inventories of reclaimed elements, plan-based building geometry, and environmental assessment. Custom Python components read structured stock data, analyze multistory building plans, and allocate facade panels, partition walls, and columns through explicit rule sets. AI-assisted coding is used to generate and refine these rules, translating design intentions into structured parameters while keeping placement logic deterministic and transparent. The workflow is iteratively developed through four versions and tested with various inventories and two design scenarios that reflect current pilot conditions and a possible future reuse market. For each test, the system computes reuse rates and life-cycle emissions for both the reuse strategy and a conventional new-build reference. The results show that reclaimed concrete elements can be matched and positioned reliably when inventory and plan information are expressed in a stable, machine-readable format. The thesis concludes that AI-assisted algorithmic design can support faster and more transparent reuse workflows, although its effectiveness still depends on well-prepared input data and careful human oversight.

La tesi analizza come l’intelligenza artificiale possa sostenere la costruzione circolare integrando elementi in calcestruzzo riutilizzati nei processi di progettazione architettonica. La ricerca si concentra sulla fase iniziale del progetto, in cui le scelte relative a geometrie, layout e distribuzione dei materiali influenzano in modo significativo le emissioni incorporate di gas serra. Il riuso viene considerato come un tema progettuale che modella la forma dell’edificio, invece di essere trattato come un materiale residuo da gestire dopo la demolizione. Lo studio sviluppa un flusso di lavoro computazionale modulare in Rhino e Grasshopper che collega tre dimensioni: gli inventari degli elementi recuperati, la geometria del progetto architettonico e la valutazione ambientale. Componenti Python personalizzati leggono dati di stock strutturati, analizzano planimetrie multilivello e assegnano pannelli di facciata, tramezzi e colonne attraverso insiemi di regole esplicite. La programmazione assistita dall’IA viene impiegata per generare e perfezionare tali regole, traducendo le intenzioni progettuali in parametri strutturati mantenendo al tempo stesso una logica di posizionamento deterministica e trasparente. Il flusso di lavoro è stato sviluppato iterativamente in quattro versioni e testato con diversi inventari e due scenari progettuali che riflettono sia le condizioni pilota attuali sia un possibile mercato futuro del riuso. Per ogni test, il sistema calcola i tassi di riuso e le emissioni del ciclo di vita sia per la strategia di riuso sia per un riferimento convenzionale di nuova costruzione. I risultati mostrano che gli elementi in calcestruzzo recuperati possono essere abbinati e posizionati in modo affidabile quando le informazioni dell’inventario e del progetto sono espresse in un formato stabile e leggibile dalla macchina. La tesi conclude che la progettazione algoritmica assistita dall’IA può sostenere flussi di lavoro per il riuso più rapidi e trasparenti, sebbene la sua efficacia dipenda ancora da dati di ingresso ben preparati e da un attento controllo umano.