AI-assisted facade optimization tool

The architecture, engineering, and construction (AEC) industry faces increasing pressure to integrate environmental sustainability into conceptual design phases, where decisions most significantly impact building performance. However, conventional physics-based simulation workflows are often fragmented, computationally demanding, and too slow to support the fluid, iterative nature of early-stage architectural development. This thesis addresses these limitations by developing an AI-assisted computational workflow that integrates parametric design, environmental simulation, and machine learning (ML) to provide rapid façade performance evaluation. The research investigates the efficacy of a surrogate model trained on high-fidelity simulation datasets to predict critical environmental metrics—specifically Spatial Daylight Autonomy (sDA), Annual Sunlight Exposure (ASE), point-in-time illuminance, and incident solar radiation—thereby circumventing the need for repetitive, time-intensive ray-tracing analyses. The methodological framework involves the construction of a parametric façade model, the automated compilation of an exhaustive performance dataset, and the deployment of a Random Forest Regressor surrogate model embedded directly into a custom Rhino/Grasshopper design plugin. To validate the proposed workflow, a case study of the Il Sole 24 office building in Milan was conducted. The results demonstrate that the AI-assisted system maintains acceptable predictive accuracy while delivering instantaneous performance feedback, significantly accelerating design iteration compared to traditional sequential workflows. This research contributes to the field of computational and sustainable architecture by bridging the gap between advanced environmental analysis technologies and the practical needs of conceptual architectural design, ultimately promoting a more responsive, performance-informed, and iterative design methodology.

L'industria dell'architettura, dell'ingegneria e delle costruzioni (AEC) affronta una pressione crescente per integrare la sostenibilità ambientale nelle fasi di progettazione concettuale, dove le decisioni hanno il maggiore impatto sulle prestazioni dell'edificio. Tuttavia, i flussi di lavoro di simulazione basati sulla fisica convenzionale sono spesso frammentati, computazionalmente esigenti e troppo lenti per supportare la natura fluida e iterativa dello sviluppo architettonico nelle prime fasi. Questa tesi affronta queste limitazioni sviluppando un flusso di lavoro computazionale assistito dall'IA che integra progettazione parametrica, simulazione ambientale e machine learning (ML) per fornire una rapida valutazione delle prestazioni della facciata. La ricerca indaga l'efficacia di un modello surrogato addestrato su set di dati di simulazione ad alta fedeltà per prevedere metriche ambientali critiche — specificamente Spatial Daylight Autonomy (sDA), Annual Sunlight Exposure (ASE), illuminamento puntuale e radiazione solare incidente — aggirando così la necessità di analisi ray-tracing ripetitive e ad alta intensità di tempo. Il quadro metodologico prevede la costruzione di un modello di facciata parametrico, la compilazione automatizzata di un set di dati sulle prestazioni esaustivo e l'implementazione di un modello surrogato Random Forest Regressor integrato direttamente in un plugin di progettazione personalizzato per Rhino/Grasshopper. Per convalidare il flusso di lavoro proposto, è stato condotto un caso studio dell'edificio per uffici 'Il Sole 24' a Milano. I risultati dimostrano che il sistema assistito dall'IA mantiene un'accuratezza predittiva accettabile fornendo al contempo un feedback immediato sulle prestazioni, accelerando significativamente l'iterazione progettuale rispetto ai flussi di lavoro sequenziali tradizionali. Questa ricerca contribuisce al campo dell'architettura computazionale e sostenibile colmando il divario tra le tecnologie avanzate di analisi ambientale e le esigenze pratiche della progettazione architettonica concettuale, promuovendo in ultima analisi una metodologia di progettazione più reattiva, basata sulle prestazioni e iterativa. Parole chiave: Progettazione orientata alle prestazioni, Machine Learning, Architettura computazionale, Ottimizzazione delle facciate, Simulazione della luce diurna, Progettazione parametrica.