La previsione dei livelli di danno sismico negli edifici in cemento armato ammodernati con l’isolamento alla base è il tema di uno studio pubblicato su CivilEng da Mohamed Algamati, Abobakr Al-Sakkaf e Ashutosh Bagchi. Il lavoro applica il machine learning a un nodo centrale del calcolo strutturale: la stima dello spostamento relativo tra i piani, grandezza da cui dipende la definizione di un sistema di isolamento ottimale. Cinque algoritmi sono stati addestrati e confrontati, con accuratezze superiori all’85% per quattro di essi.
Perché lo spostamento relativo di piano è un nodo critico
L’isolamento alla base è una tecnica utile e diffusa per l’adeguamento sismico degli edifici in cemento armato. La sua progettazione passa per la previsione dei livelli di danno, correlati allo spostamento relativo tra i piani (inter-story drift). Le normative esistenti ricavano però questa grandezza a partire dallo spettro di accelerazione, senza fornire una stima accurata del drift: un limite che condiziona la definizione del sistema di isolamento. È su questo divario che si concentra la ricerca, con algoritmi di machine learning addestrati per identificare i livelli di danno negli edifici in cemento armato sottoposti a retrofit.
Il dataset: 48 edifici e oltre 7000 casi
La base di dati è stata costruita in ambiente numerico. Sono stati progettati 48 edifici in cemento armato, con numero di piani e numero di campate differenti, secondo una versione precedente delle normative edilizie esistenti. Per ciascuno è stato poi dimensionato un sistema di isolamento alla base destinato al retrofit sismico.
L’analisi strutturale è stata condotta con due approcci: analisi dinamiche non lineari nel tempo (nonlinear time-history analysis) e analisi dinamiche incrementali (incremental dynamic analysis). Da questi calcoli derivano più di 7000 dataset, che costituiscono l’input per l’addestramento e l’utilizzo dei modelli predittivi.
Cinque algoritmi a confronto
Sui dati sono stati addestrati cinque algoritmi di machine learning: Decision Tree, Random Forest, Support Vector Machine, Extreme Gradient Boosting e una Artificial Neural Network. L’obiettivo comune è l’identificazione dei livelli di danno negli edifici ammodernati con l’isolamento alla base.
Risultati documentati
Quattro algoritmi su cinque dimostrano la capacità di prevedere il livello di danno con un’accuratezza superiore all’85%. La migliore prestazione è stata registrata dall’Extreme Gradient Boosting, che raggiunge il 89%.
Dall’analisi sono stati inoltre derivati i parametri che condizionano maggiormente i livelli di danno degli edifici in cemento armato ammodernati. È un esito che si innesta nella finalità dichiarata della ricerca: supportare la progettazione di sistemi di isolamento ottimali attraverso una previsione del danno più affidabile rispetto alla sola lettura dello spettro di accelerazione.
Il quadro operativo per il tecnico
I modelli lavorano sui risultati di analisi numeriche avanzate: la modellazione degli edifici, il dimensionamento dei sistemi di isolamento e le analisi dinamiche restano attività di ingegneria strutturale da cui il machine learning trae i dati di addestramento. I valori di accuratezza riportati si riferiscono al caso studio analizzato, costituito da edifici progettati secondo una versione precedente delle normative e da sistemi di isolamento dedicati al retrofit sismico. L’approccio si colloca come strumento di supporto alla previsione del danno, nell’ambito del gap tecnico individuato: la limitata accuratezza della stima normativa dello spostamento relativo di piano.
Il riferimento
Mohamed Algamati, Abobakr Al-Sakkaf, Ashutosh Bagchi, Application of Machine Learning for Predicting Seismic Damage in Base-Isolated Reinforced Concrete Buildings, CivilEng, vol. 7, fascicolo 1, articolo 4. Disponibile online: doi 10.3390/civileng7010004.
Lascia un commento