Un R² medio di 0,830 accompagnato da un RMSE medio di 3,644: sono questi i valori con cui una Gradient Boosting Machine calibrata tramite algoritmo genetico stima il Friction Number di pavimentazioni in calcestruzzo continuamente armato. Lo studio, firmato da Ali Juma Alnaqbi, Waleed Zeiada e Ghazi G. Al-Khateeb, è stato pubblicato su Construction Materials (vol. 6, articolo 6, DOI 10.3390/constrmater6010006) e si fonda sui dati della banca dati Long-Term Pavement Performance (LTPP).
Perché la previsione dell’attrito pesa su sicurezza e manutenzione
L’attrito superficiale entra direttamente nella valutazione della sicurezza stradale e, allo stesso tempo, nell’ottimizzazione delle strategie di manutenzione di una rete. Prevederne l’andamento con accuratezza è quindi un’esigenza concreta per chi gestisce patrimoni stradali. Il lavoro dei tre autori risponde a questa esigenza su un tipo di opera ben definito: la pavimentazione rigida in calcestruzzo continuamente armato (CRCP, Continuously Reinforced Concrete Pavement), per la quale viene proposto uno schema previsionale ibrido di apprendimento automatico.
Il dataset LTPP: 395 osservazioni su 33 sezioni
La base dati proviene dal programma Long-Term Pavement Performance e consta di 395 osservazioni riferite a 33 sezioni di CRCP. Ciascun punto del campione è descritto da 20 variabili d’ingresso, ripartite in quattro famiglie: strutturale, climatica, di traffico e di prestazione. La copertura simultanea di questi domini permette di rappresentare ogni sezione nella sua complessità, dal profilo costruttivo alle condizioni ambientali, fino al traffico e alle prestazioni registrate nel tempo.
GBM e algoritmo genetico: com’è costruito lo schema ibrido
Il motore predittivo è una Gradient Boosting Machine il cui assetto non viene fissato manualmente: un algoritmo genetico (GA) guida l’ottimizzazione del modello attraverso una ricerca evolutiva nello spazio delle configurazioni. La GBM, nella versione privà di ottimizzazione, funge anche da termine di paragone interno.
Il confronto coinvolge infatti cinque modelli base: la GBM non ottimizzata, la regressione lineare, le Random Forest, la Support Vector Regression (SVR) e le reti neurali artificiali (ANN). Un insieme che spazia dal riferimento lineare alle principali famiglie di apprendimento automatico impiegate in ambito pavimentazioni.
Come si posiziona la GBM ottimizzata rispetto ai modelli base
I valori medi registrati dal modello proposto sono un RMSE di 3,644 e un R² di 0,830, cifre che lo collocano sopra tutti i modelli di riferimento presi in esame. La distanza rispetto alla GBM lasciata senza ottimizzazione fornisce anche un’indicazione metodologica: la calibrazione evolutiva incide sul risultato finale, non solo la scelta della famiglia algoritmica.
Quattro predittori dominano la previsione
L’analisi di sensibilità restringe il campo alle variabili più influenti: il traffico medio giornaliero annuo (AADT), lo spessore totale della pavimentazione, l’indice di gelo (Freeze Index) e l’età dell’opera. I quattro parametri riconducibili, rispettivamente, al traffico, alla struttura, al clima e alla dimensione temporale della sezione.
Accanto alla sensibilità, i partial dependence plots (PDP) illustrano gli effetti marginali di queste variabili sui livelli di attrito previsti. Una rappresentazione che consente di leggere il contributo di ciascun parametro alla stima, invece di lasciare il comportamento dell’algoritmo chiuso in una scatola nera.
Dalla previsione alla programmazione della manutenzione
Sul piano applicativo, lo schema proposto viene qualificato come strumento robusto e interpretabile per la previsione dell’attrito, con potenzialità concrete in due direzioni: migliorare le valutazioni di sicurezza e affinare la programmazione della manutenzione nelle reti di pavimentazione rigida. Per i gestori, disporre di una stima previsionale del Friction Number significa poter ancorare le decisioni di calendario degli interventi a un indicatore quantitativo.
Il merito principale della ricerca resta la combinazione tra accuratezza e leggibilità. Con l’analisi di sensibilità e le PDP, il modello non si limita a restituire un numero: espone i fattori che lo determinano, dal traffico allo spessore, dal clima all’età della sezione. Una trasparenza preziosa quando le previsioni devono tradursi in decisioni operative su una rete stradale.
Lascia un commento