Monitoraggio delle fondazioni su pali: un approccio data driven per la valutazione non distruttiva
La determinazione della capacità portante delle fondazioni di ponti in esercizio rappresenta una sfida tecnica complessa. Le tradizionali prove di carico statico, pur fornendo dati affidabili, si rivelano spesso onerose, invasive e difficilmente scalabili su larga scala. In alternativa, le formule dinamiche basate su coefficienti di conversione empirici introducono un margine di incertezza considerevole, come evidenziato da recenti studi nel settore geotecnico.
Un lavoro pubblicato su Geotechnics affronta questo problema proponendo un metodo di valutazione non distruttivo che integra la rigidezza dinamica misurata con algoritmi di machine learning. La ricerca si basa su un ampio set di dati raccolti durante un progetto di ispezione di un ponte autostradale, comprendente 680 pali. Per ogni elemento sono state registrate la rigidezza dinamica, i parametri geometrici e le informazioni relative al carico di progetto.
Classificazione binaria per il giudizio di idoneità
L’obiettivo del modello sviluppato è trasformare un insieme di caratteristiche fisiche multidimensionali in una decisione ingegneristica chiara: stabilire se la capacità portante soddisfi o meno i requisiti di progetto. A questo scopo è stato costruito un modello di classificazione binaria end-to-end. Diversi algoritmi sono stati testati e confrontati, tra cui la regressione logistica, il random forest e il gradient boosting decision tree (GBDT).
Tra le architetture valutate, il modello GBDT ha mostrato la migliore capacità di cogliere le complesse interazioni non lineari tra palo e terreno. I risultati sul set di test indipendente sono significativi: una precisione del 96,3% e un punteggio F1 di 0,96. Il tasso di falsi negativi, particolarmente critico per la sicurezza strutturale, è risultato molto basso, soddisfacendo i rigorosi requisiti di uno screening di sicurezza ingegneristico.
Il peso della rigidezza dinamica come indicatore principale
Un aspetto centrale emerso dallo studio riguarda l’analisi dell’importanza delle caratteristiche. La rigidezza dinamica misurata contribuisce per circa il 42% all’esito della classificazione. Questo dato la identifica come l’indicatore dominante per rilevare carenze di capacità portante, confermandone la rilevanza fisica come parametro chiave per il monitoraggio dello stato di salute delle fondazioni.
L’implementazione di un approccio data driven, come quello descritto, consente di superare le incertezze legate ai coefficienti empirici tradizionali. La possibilità di eseguire valutazioni rapide e non distruttive, basate su misurazioni oggettive e modelli predittivi, apre una strada promettente per il monitoraggio continuo e la valutazione su larga scala delle fondazioni di ponti in esercizio.
Per il professionista tecnico, la ricerca conferma che l’integrazione di metodi numerici avanzati con dati sperimentali di campagna rappresenta una direzione evolutiva concreta per la diagnostica strutturale, in particolare per quelle infrastrutture dove l’accessibilità per prove distruttive è limitata e i margini di sicurezza devono essere garantiti con elevata affidabilità.
Lascia un commento