Classificare il suolo in sito e stimare la profondità del bedrock su regioni estese, a partire da inventari di sondaggi per natura puntuali: è il problema affrontato da Yunfeng Zhang e Ahmet Darilmaz in uno studio pubblicato sulla rivista Geotechnics (MDPI, DOI 10.3390/geotechnics6010020). La proposta degli autori agisce sul punto più delicato dell’interpolazione statistica del sottosuolo: la coerenza fisica delle previsioni, ottenuta vincolando l’addestramento con penalità costruite sui principi fisici noti.
Un inventario di sondaggi su 32.133 km² e cinque regioni fisiografiche
I dati di perforazione descrivono il terreno dove il sondaggio è stato eseguito, punto dopo punto. Estendere questa conoscenza con il machine learning genera nuvole di punti di proprietà del suolo, un quadro continuo che assume valore concreto nella pianificazione dei progetti geotecnici. Il modello di base è stato addestrato su un esteso insieme di dati di sondaggio relativi alle proprietà del suolo, raccolti su un’area di 32.133 km² articolata in cinque regioni fisiografiche distinte.
Classificazione e regressione per due nature di dato
Lo schema distingue due famiglie di modelli per i dataset di drilling geotecnico: modelli di classificazione per le grandezze categoriche e modelli di regressione per le grandezze numeriche. La ripartizione rispecchia la natura dei bersagli analizzati, poiché la tipologia di suolo è una classe mentre la profondità del bedrock è un valore numerico.
Le variabili di ingresso selezionate con uno studio parametrico
La scelta delle feature pesa in modo determinante sull’accuratezza dei modelli. Prima dell’addestramento definitivo sono state vagliate combinazioni differenti, con una selezione finale che comprende la posizione geografica, le informazioni geologiche, la quota del terreno, il materiale parentale del suolo, le informazioni fisiografiche espresse in forma di codici e la profondità dello strato di suolo. Un insieme che lega la collocazione spaziale al contesto geologico e fisiografico e alla geometria degli strati.
Il vincolo fisico dentro la funzione di perdita
Un modello addestrato sulle sole corrispondenze statistiche può restituire stime plausibili sul piano numerico ma incompatibili con la fisica del sito. La correzione proposta entra nel cuore dell’addestramento: una funzione di perdita personalizzata penalizza la perdita di training ogni volta che le previsioni violano principi fisici noti. Il termine di penalità agisce quindi durante l’apprendimento, orientando le uscite del modello verso valori coerenti con le condizioni fisiche conosciute del sito.
Due casi di studio, due bersagli
L’efficacia dell’impostazione è stata verificata con due casi di studio, uno per i dataset categorici e uno per quelli trattati in regressione: la tipologia di suolo in sito e la profondità del bedrock. I risultati sostengono l’applicabilità dei modelli vincolati dalla fisica alla generazione di stime ragionevoli su regioni molto estese, e aggiungono una chiave di lettura per i dati storici conservati negli inventari di sondaggi geotecnici.
Per la professione il messaggio operativo riguarda le zone dove le indagini dirette sono scarse. Quando le previsioni alimentano la pianificazione di un progetto geotecnico, un modello che rispetta i principi fisici noti del sito restituisce valori confrontabili con il comportamento reale del sottosuolo: un requisito che la sola accuratezza statistica non copre.
Lascia un commento