Machine learning per FOS
La valutazione della stabilità dei pendii rocciosi attraverso il calcolo del fattore di sicurezza (FOS) rappresenta un passaggio critico in ambito minerario e nelle opere di ingegneria civile come gli scavi autostradali. Tradizionalmente affidata a metodi analitici deterministici, questa analisi sta trovando oggi un alleato nei modelli di apprendimento automatico. Un recente studio comparativo ha messo a confronto quattro diverse architetture di machine learning per prevedere il FOS a partire da parametri geotecnici standard, testandole su dati reali provenienti da due contesti geografici e operativi distinti.
Parametri geotecnici in input e modelli predittivi
I ricercatori hanno utilizzato cinque proprietà geotecniche come variabili di ingresso per tutti i modelli: altezza del pendio, angolo del pendio, peso unitario del terreno, coesione e angolo di attrito. Su queste basi sono stati addestrati e validati quattro algoritmi:
- Gaussian Process Regressor (GPR)
- Support Vector Regressor (SVR)
- Random Forest (RF)
- una rete ibrida genetica multilayer perceptron (GA MLP)
Ogni modello è stato calibrato su un set di training e validazione, mentre le prestazioni sono state misurate su un set di test mai visto durante l’addestramento, garantendo una valutazione imparziale della capacità predittiva.
Due dataset reali per un confronto su scala globale
I dati provengono da due studi pregressi. Il primo riguarda scavi autostradali con taglio in roccia realizzati in Cina. Il secondo è relativo a un sito minerario in Perù. La scelta di due ambiti applicativi differenti ha permesso di verificare la robustezza dei modelli al variare delle condizioni geomeccaniche e della tipologia di opera.
I risultati mostrano differenze significative tra i due scenari. Per il dataset minerario peruviano, l’SVR ha raggiunto la più alta accuratezza predittiva, seguito dal GPR. Tuttavia, l’analisi della variabilità delle predizioni tramite boxplot ha evidenziato che l’SVR, nonostante la precisione superiore, presenta una varianza maggiore rispetto al GPR. Un comportamento opposto si registra per il dataset degli scavi autostradali cinesi: in questo caso il GPR ha superato tutti gli altri modelli, compreso l’SVR.
Implicazioni per la pratica professionale
Per il tecnico che si occupa di stabilità dei pendii, questi risultati indicano che non esiste un algoritmo universalmente superiore. La scelta del modello predittivo deve tenere conto delle caratteristiche specifiche del sito e della tipologia di opera. L’SVR sembra più indicato per contesti minerari dove si richiede la massima accuratezza puntuale, accettando una maggiore dispersione delle stime. Il GPR si rivela più affidabile per opere lineari come gli scavi stradali, offrendo un equilibrio tra precisione e stabilità predittiva.
L’impiego di questi strumenti di machine learning non sostituisce l’esperienza del geologo o dell’ingegnere geotecnico, ma può diventare un valido supporto per la validazione incrociata dei risultati ottenuti con metodi tradizionali, riducendo i margini di incertezza nella progettazione delle opere in roccia.
Lascia un commento