Il calcolo della resistenza a compressione di calcestruzzi sostenibili rinforzati con nanolamine di grafene (GNP) si scontra con la complessità delle interazioni tra composizione chimica, stato di dispersione e condizioni di maturazione. Un quadro previsivo affidabile è essenziale per la progettazione strutturale. Uno studio pubblicato su Infrastructures (Vol. 11, pag. 146) propone un framework di ensemble machine learning interpretabile, capace di fornire stime accurate della compressione massima (CS).
Modelli predittivi e tecniche di ottimizzazione
Sono stati impiegati due algoritmi, Random Forest (RF) e XGBoost (XGB), integrati con due tecniche meta-euristiche di ottimizzazione: l’algoritmo Drawer-based (DOA) e il Giant Trevally Optimizer (GTO). L’obiettivo era affinare l’iperparametrizzazione e migliorare la generalizzazione. I risultati mostrano che le combinazioni ibride DOA-XGB raggiungono le performance più elevate: un coefficiente di determinazione R² in fase di test pari a 0,98, un errore quadratico medio (RMSE) di circa 2,9 MPa e un errore assoluto medio (MAE) prossimo a 2,0 MPa. Oltre il 97% delle previsioni rientra in una tolleranza del ±20% rispetto al valore reale.
Parametri dominanti emersi dall’analisi di spiegabilità
Le metodologie di intelligenza artificiale esplicabile – SHAP, LIME, grafici di dipendenza parziale e diagrammi di aspettativa condizionale individuale – hanno evidenziato che l’età di maturazione (curing age) e lo spessore del grafene sono i fattori più influenti. Resistenza elevate, superiori a 70 MPa, si ottengono sempre con periodi di maturazione prolungati, un rapporto acqua/cemento compreso tra 0,3 e 0,4 e un dosaggio di grafene compreso tra 0,5% e 2,5% in peso rispetto alla sabbia.
Strumento operativo per il tecnico progettista
I ricercatori hanno sviluppato un’interfaccia grafica in ambiente Python per agevolare l’uso pratico del modello. Il tool consente di inserire i parametri di input – tenore di sabbia, diametro e spessore del grafene, percentuale GNP/sabbia, rapporto acqua/cemento, tempo di ultrasonication e giorni di maturazione – e ottenere in tempo reale la stima della resistenza a compressione. L’approccio si propone come alternativa robusta, interpretabile ed efficiente rispetto ai test sperimentali estesi, riducendo tempi e costi in fase di mix design.
Per il professionista che opera nel settore delle costruzioni, l’adozione di questi modelli predittivi rappresenta un supporto concreto per la validazione di miscele innovative, in linea con gli standard prestazionali richiesti dalle normative tecniche. La trasparenza delle analisi SHAP e LIME consente di comprendere le ragioni di ogni previsione, aspetto cruciale per la certificazione dei materiali in ambito edilizio.
Lascia un commento