Decoding facade performance: from frontier discovery to CNN framework for early-design stage

This research explores the optimization of architectural façades, emphasizing both passive solar performance (thermal and visual behavior) and active solar potential. Extending previous performance-based frameworks, the study evaluates these passive and active objectives simultaneously. A computational workflow for early-stage façade assessment is developed using a “building chunk” methodology, which isolates morphological articulation while maintaining the envelope-interior relationship. Focusing on a south-facing façade in Milan, Italy, the study establishes a controlled setup where performance variation is directly attributed to morphology. Five variables are investigated: vertical steps, horizontal steps, balcony depth, PV canopy depth, and louvre depth. Through a Grasshopper-based workflow, 567 configurations are generated, simulated, and analyzed using indicators such as winter and summer average radiation, spatial Daylight Autonomy (sDA), Annual Sunlight Exposure (ASE), and the percentage of potential area for active solar generation. The design space is evaluated using Pareto frontiers, Z-scoring, and a Macro-DNA classification system. The primary innovation is translating this simulation dataset into an image-based machine learning framework. Façade morphologies are encoded as Digital Elevation Models (DEMs), enabling Convolutional Neural Networks (CNNs) to interpret depth variations as spatial visual information. Semantic and zoning layers are also tested to examine whether architectural meaning improves prediction. After adding 510 localized façade variations, the mixed global-local CNN maintained high accuracy, achieving a mean R² of 0.955 and a mean normalized MAE of 0.148. The study concludes by conceptualizing this framework in the architectural design pipeline, providing architects with near real-time, accurate environmental feedback during early-massing stage.

Questa ricerca esplora l'ottimizzazione delle facciate architettoniche, ponendo l'accento sia sulle prestazioni solari passive (comportamento termico e visivo) sia sul potenziale solare attivo. Ampliando i precedenti modelli basati sulle prestazioni, lo studio valuta simultaneamente questi obiettivi passivi e attivi. Viene sviluppato un flusso di lavoro computazionale per la valutazione preliminare delle facciate utilizzando una metodologia "building chunk", che isola l'articolazione morfologica mantenendo la relazione tra involucro e interno. Concentrandosi su una facciata esposta a sud a Milano, lo studio definisce un ambiente controllato in cui la variazione delle prestazioni è direttamente attribuita alla morfologia. Vengono analizzate cinque variabili: gradini verticali, gradini orizzontali, profondità del balcone, profondità della copertura fotovoltaica e profondità delle lamelle. Attraverso un flusso di lavoro basato su Grasshopper, vengono generate, simulate e analizzate 567 configurazioni utilizzando indicatori quali la radiazione media invernale ed estiva, l'autonomia spaziale della luce diurna (sDA), l'esposizione solare annua (ASE) e la percentuale di area potenziale per la generazione solare attiva. Lo spazio di progettazione viene valutato utilizzando le frontiere di Pareto, il punteggio Z e un sistema di classificazione Macro-DNA. L'innovazione principale consiste nel tradurre questo set di dati di simulazione in un framework di apprendimento automatico basato su immagini. Le morfologie delle facciate vengono codificate come modelli digitali di elevazione (DEM), consentendo alle reti neurali convoluzionali (CNN) di interpretare le variazioni di profondità come informazioni visive spaziali. Vengono inoltre testati i livelli semantici e di zonizzazione per verificare se il significato architettonico migliori la previsione. Dopo aver aggiunto 510 variazioni localizzate di facciata, la CNN mista globale-locale ha mantenuto un'elevata precisione, raggiungendo un R² medio di 0,955 e un MAE normalizzato medio di 0,148. Lo studio si conclude concettualizzando questo framework nel flusso di lavoro della progettazione architettonica, fornendo agli architetti un feedback ambientale accurato e quasi in tempo reale durante le prime fasi di definizione della volumetria.