Previsione livelli pericolosità stabilità pendii con apprendimento d’insieme

La previsione della stabilità dei pendii è un tema centrale nella progettazione geotecnica e nella gestione del rischio idrogeologico. Con l’aumento degli eventi meteorologici estremi, i professionisti del settore costruzioni si trovano a dover integrare strumenti decisionali rapidi accanto ai tradizionali metodi deterministici. In questo scenario, le tecniche di apprendimento automatico offrono un supporto concreto per l’analisi preliminare del pericolo di frana, basandosi su dati storici e parametri geomeccanici.

Modelli a confronto: sei algoritmi per la classificazione del rischio

Lo studio ha preso in esame un database di 627 casi reali di pendii, ciascuno descritto da sei variabili di input: peso di volume, coesione, angolo di attrito, angolo del pendio, altezza del pendio e rapporto di pressione interstiziale. Sono stati sviluppati e confrontati sei modelli di machine learning, suddivisi tra algoritmi tradizionali (Support Vector Machine, K-Nearest Neighbors, Classification and Regression Tree) e modelli ensemble (Random Forest, Extreme Gradient Boosting, Boosted Tree).

La valutazione è stata condotta mediante analisi ROC, metriche derivate dalla matrice di confusione (accuratezza, F1-score) e test su dati non utilizzati in fase di addestramento. I risultati indicano una netta superiorità dei modelli ensemble rispetto a quelli convenzionali, con particolare rilievo per Random Forest e Boosted Tree.

Prestazioni e variabili più influenti: coesione e peso di volume al primo posto

L’analisi ROC ha evidenziato che Random Forest ha raggiunto il valore di AUC più elevato (0.93), seguito da Boosted Tree (0.92) e XGBoost (0.90). In termini di accuratezza e F1-score, Boosted Tree ha registrato i migliori risultati: accuratezza di 0.862 e F1-score di 0.874, mentre Random Forest ha mostrato prestazioni confrontabili (0.857 e 0.868). L’analisi dell’importanza delle feature ha identificato la coesione e il peso di volume come i parametri più influenti nel determinare la stabilità del pendio.

La capacità di generalizzazione è stata confermata dai test su dati non visti, dove Boosted Tree ha raggiunto un’accuratezza dello 0.920 e Random Forest dello 0.880. Questi valori indicano una buona affidabilità nel classificare nuovi casi non presenti nel set di addestramento.

Implicazioni operative per il progettista e il direttore dei lavori

Dal punto di vista pratico, i modelli ensemble testati possono essere impiegati come strumenti di screening rapido nella fase di analisi preliminare di un fronte di scavo o di un versante naturale. Incrociando i parametri geotecnici disponibili con il database di riferimento, il tecnico ottiene un primo indicatore di rischio che consente di ottimizzare la campagna di indagini geognostiche, concentrando le risorse sui casi a maggiore criticità.

È importante sottolineare che si tratta di un modello predittivo di classificazione, non di un calcolo del fattore di sicurezza. La stima probabilistica fornita va intesa come supporto decisionale e non come sostituto delle verifiche geotecniche di dettaglio richieste dalla normativa. La sua affidabilità è vincolata alla qualità e alla rappresentatività dei dati di input.

Limiti e prospettive di sviluppo

Il database utilizzato, sebbene corposo, proviene da letteratura e potrebbe non coprire tutte le litologie o condizioni al contorno, come effetti sismici e saturazione parziale. Inoltre, l’assenza di dati geospaziali in tempo reale limita l’applicabilità a contesti dinamici. Prospettive future includono l’integrazione con dati meteorologici e geotecnici in tempo reale, nonché l’estensione del database per migliorare la robustezza dei predittori in contesti geologici differenziati.

Riepilogo dei dati chiave emersi dallo studio

• ROC-AUC (Random Forest): 0.93, miglior valore tra i modelli testati nell’analisi ROC.
• Accuratezza (Boosted Tree su test): 0.920, prestazione più alta sui casi non visti.
• F1-Score (Boosted Tree): 0.874, metrica di bilanciamento tra precisione e richiamo più elevata.
• Variabili più influenti: coesione e peso di volume, identificate dall’analisi di importanza delle feature.
• Database: 627 casi di pendio utilizzati per addestramento e validazione.

I risultati confermano che i modelli ensemble, in particolare Boosted Tree e Random Forest, rappresentano strumenti validi e interpretabili per la previsione preliminare della stabilità dei pendii. La loro capacità di gestire relazioni non lineari tra le variabili e di generalizzare su nuovi casi li rende un complemento efficace per la classificazione del pericolo di frana nella gestione delle infrastrutture, ferma restando la necessità di verifiche geotecniche di dettaglio secondo le norme vigenti.