Generative Design e AI per il Retrofit dell'Edilizia Residenziale Pubblica: Ottimizzazione Multi-Obiettivo di Spazi e Prestazioni

La riqualificazione del patrimonio edilizio residenziale pubblico italiano, con particolare riferimento agli insediamenti realizzati nell'ambito del piano INA-Casa (1949-1963), rappresenta una delle sfide più complesse e urgenti per la sostenibilità urbana contemporanea. Questi manufatti, caratterizzati da una forte identità tipologica e da vincoli strutturali rigidi (murature portanti, layout cellulari), risultano oggi obsoleti rispetto agli standard normativi di accessibilità (D.M. 236/89), efficienza energetica e comfort visivo. Il presente studio propone un framework metodologico e computazionale avanzato che integra il Generative Design (GD), l'ottimizzazione multi-obiettivo tramite algoritmi evolutivi (NSGA-II e SPEA2) e modelli surrogati basati su Machine Learning (ML) e Graph Neural Networks (GNN). L'obiettivo è superare i limiti della progettazione manuale iterativa, esplorando automaticamente un vasto spazio di soluzioni progettuali che bilancino obiettivi conflittuali: la massimizzazione dell'autonomia luminosa spaziale (sDA), il rispetto dei requisiti di accessibilità per l'utenza debole e la minimizzazione dei costi di demolizione e ricostruzione. Attraverso l'analisi approfondita di algoritmi ispirati alla fisica per l'allocazione spaziale e l'impiego di reti neurali per la predizione in tempo reale delle prestazioni, la ricerca dimostra come sia possibile trasformare vincoli statici in opportunità rigenerative. I risultati indicano che l'approccio generativo non solo incrementa le metriche prestazionali fino al 40% rispetto alle configurazioni esistenti, ma fornisce anche un supporto decisionale quantitativo essenziale per la gestione di interventi di retrofit profondo su larga scala.