AI-assistive tool for sustainable renovation : an Al-driven tool integrating HBIM, LCA, LLM, and Python scripting to optimize material choices in existing buildings

The construction sector accounts for 40% of global CO₂ emissions, and new materials generate massive embodied carbon. Renovation becomes a climate necessity, since it reduces 50-75% of embodied carbon emissions compared to demolition and new construction. The Earth is characterized by ecological overshoot and the transgression of 7 out 9 planetary boundaries. The challenge lies in the absence of clearly defined limits guiding emissions activities since the planetary capacity has already been exceeded. Current workflows lack computational methods for translating planetary-scale limits into building-scale limits and reframing the renovation process to be life-cycle-based. The thesis develops an AI decision-support tool for material selection in renovation. The tool integrates HBIM, LCA, and LLM using Python scripting. The framework connects building element parameters from Revit and the LCA database to GPT vision. Therefore, GPT Vision recommends the materials based on the renovation criteria within defined carbon limits. The tool is validated through two different case studies to show how it effectively interacts with different renovation criteria and constraints. The first case study is La Casa Gialla, which is an existing building without heritage constraints. The second case study is Villa Forni Cerato, which is a historical villa with heritage constraints. The results demonstrate that the tool evaluates material alternatives within defined carbon limits while simultaneously responding to structural performance, durability requirements, and compatibility conditions. The method proves its parametric flexibility to handle diverse buildings and different data and the feasibility to translate 1.5°C budgets into renovation decisions.

Il settore delle costruzioni è responsabile del 40% delle emissioni globali di CO₂, mentre i nuovi materiali generano enormi quantità di carbonio incorporato. La ristrutturazione diventa quindi una necessità climatica, poiché consente di ridurre dal 50% al 75% delle emissioni di carbonio incorporato rispetto alla demolizione e alla nuova costruzione. La Terra è oggi caratterizzata da un overshoot ecologico e dal superamento di 7 dei 9 limiti planetari. La sfida risiede nell’assenza di limiti chiaramente definiti che guidino le attività emissive, dal momento che la capacità planetaria è già stata oltrepassata. I flussi di lavoro attuali mancano di metodi computazionali in grado di tradurre i limiti su scala planetaria in limiti su scala edilizia e di riformulare il processo di ristrutturazione secondo un approccio basato sul ciclo di vita. La tesi sviluppa uno strumento di supporto decisionale basato sull’intelligenza artificiale per la selezione dei materiali negli interventi di ristrutturazione. Lo strumento integra HBIM, LCA e LLM mediante scripting in Python. Il framework collega i parametri degli elementi edilizi provenienti da Revit e dal database LCA a GPT Vision. In questo modo, GPT Vision raccomanda i materiali sulla base dei criteri di ristrutturazione entro limiti di carbonio definiti. Lo strumento viene validato attraverso due diversi casi studio per dimostrare come interagisca efficacemente con differenti criteri e vincoli di ristrutturazione. Il primo caso studio è La Casa Gialla, un edificio esistente privo di vincoli storico-artistici. Il secondo caso studio è Villa Forni Cerato, una villa storica soggetta a vincoli di tutela. I risultati dimostrano che lo strumento valuta le alternative materiche entro limiti di carbonio definiti, rispondendo simultaneamente ai requisiti di prestazione strutturale, durabilità e compatibilità. Il metodo dimostra la propria flessibilità parametrica nel gestire edifici eterogenei e differenti set di dati, nonché la fattibilità di tradurre i budget climatici compatibili con l’obiettivo di 1,5°C in decisioni operative di ristrutturazione.