Un coefficiente di determinazione pari o superiore a 0,98 nella previsione della resistenza di un terreno stabilizzato: è il risultato conseguito dalle reti neurali artificiali e dai random forest nello studio pubblicato su Construction Materials (MDPI, vol. 6, articolo 37, doi: 10.3390/constrmater6030037). La ricerca, condotta da Paula Abdo-Peralta, Nestor Ulloa, Evelin Rosero, Kerly Mishell Vaca Vallejo, Mauricio Chavez e Christian Rolando Zapata León, affianca a una campagna di prove su miscele di terreno ricostituito un impianto di machine learning interpretabile, pensato per quantificare il peso di ogni variabile sul comportamento meccanico del sistema stabilizzato.
L’impianto sperimentale su terreno ricostituito
Le prove sono state condotte su campioni di terreno ricostituito, preparati con proporzioni variabili di nano-zeolite, calce e frazione fine. La maturazione è avvenuta in condizioni controllate di temperatura e di tempo, entrambe assunte tra gli ingressi del modello insieme ai dosaggi degli stabilizzanti. Per ogni combinazione è stata misurata la resistenza q, grandezza che ha fatto da riferimento sia nel confronto meccanico tra le miscele sia come variabile obiettivo dell’addestramento degli algoritmi.
Otto modelli a confronto in Weka 3.8.6
L’apparato predittivo comprende otto modelli sviluppati in Weka 3.8.6. Oltre alle reti neurali artificiali (ANN) e ai random forest (RF), il confronto ha coinvolto il random tree (RT), l’accoppiata random committee-random tree (RC-RT), le regole M5Rules, l’algoritmo KStar, il modello RBFS e la combinazione additive regression-decision stump (AR-DS). Tutti stimano la resistenza a partire dagli stessi parametri di ingresso, in modo da rendere diretto il raffronto tra le diverse architetture.
Metriche di errore e prestazioni predittive
La valutazione è stata condotta con un insieme esteso di indicatori: somma dei quadrati degli errori (SSE), errore assoluto medio (MAE), errore quadratico medio (MSE), radice dell’errore quadratico medio (RMSE), errore percentuale, accuratezza percentuale, coefficiente di determinazione R², coefficiente di correlazione, indice di Willmott, efficienza di Nash-Sutcliffe, efficienza di Kling-Gupta e SMAPE.
Su questa batteria di misure ANN e RF si collocano in testa, con R² pari o superiore a 0,98 ed errori di previsione contenuti. Entrambi gli algoritmi catturano le interazioni non lineari che legano il dosaggio degli stabilizzanti, il tempo di cura e le condizioni ambientali, aspetto che i modelli più semplici faticano a rappresentare con la stessa fedeltà.
Sensitività e SHAP: la gerarchia delle variabili
Il passaggio più rilevante per l’uso pratico dei modelli riguarda l’interpretabilità. Le analisi di sensitività, condotte tramite l’indice di analisi e i valori SHAP, identificano nella nano-zeolite, nella calce e nel tempo di cura i fattori dominanti sulla resistenza, mentre il contenuto di fini e la temperatura di maturazione esercitano effetti secondari.
Ne risulta una gerarchia esplicita delle variabili di ingresso, che distingue ciò che governa il comportamento della miscela da ciò che incide in misura minore. Per chi lavora su miscele stabilizzate, conoscere questa scala di priorità vale quanto il singolo valore di accuratezza del modello.
Implicazioni per la stabilizzazione dei terreni
I risultati confermano un incremento significativo della resistenza del terreno ricostituito in presenza di nano-zeolite e calce, e dimostrano che modelli di machine learning interpretabili sono in grado di predire e spiegare in modo affidabile il comportamento del materiale. La proposta che ne discende è un impianto data-driven per una stabilizzazione ottimizzata dei terreni, in cui sperimentazione di laboratorio e modellazione predittiva procedono insieme e l’interpretazione dei modelli affianca la previsione numerica.
Resta il punto metodologico. Un indice di accuratezza elevato, da solo, dice poco a chi deve dosare una miscela; la possibilità di risalire alle variabili che governano la resistenza rende questo approccio utilizzabile anche come strumento di lettura del comportamento del terreno stabilizzato, oltre che come strumento di stima.
Lascia un commento