Geotecnica, Vol. 5, Pagine 69: Modellazione Interpretabile dell’Resistenza al Taglio dell’Interfaccia Terreno-Struttura Guidata dall’IA tramite Programmazione Genetica con SHAP e Aumento delle Caratteristiche di Fourier

Resistenza al taglio interfaccia suolo-struttura: un modello predittivo interpretabile basato su AI

La determinazione della resistenza al taglio all’interfaccia tra terreno ed elementi strutturali (τ_max) costituisce un passaggio critico per la progettazione geotecnica. I modelli empirici tradizionali soffrono di limiti di accuratezza, mentre gli approcci di machine learning a scatola nera non forniscono trasparenza sui meccanismi fisici. Una ricerca pubblicata su Geotechnics (Vol. 5, pag. 69) affronta il problema combinando una campagna sperimentale con tecniche di intelligenza artificiale interpretabile.

Novanta prove di taglio anulare su sabbie e materiali strutturali

Il programma sperimentale ha previsto novanta prove di taglio anulare a grande spostamento, condotte su cinque tipologie di sabbia e tre materiali di interfaccia (acciaio, PVC e pietra). Le tensioni normali applicate sono state comprese tra 25 e 100 kPa. I dati ottenuti hanno permesso di isolare i fattori dominanti.

La morfologia delle particelle, quantificata dall’indice di regolarità (RI), e la rugosità superficiale (R_t), sono risultate variabili determinanti. Grani irregolari e interfacce rugose mobilitano valori più elevati di τ_max grazie a un maggiore incastro meccanico. Particelle più lisce riducono questo beneficio. Superfici più dure resistono alla rottura delle asperità e mantengono una resistenza al taglio superiore; materiali duttili come il PVC mostrano deformazioni localizzate e una minore capacità di contrasto.

Un framework ibrido che unisce genetic programming, SHAP e vincoli fisici

Sulla base dei dati sperimentali è stato sviluppato un modello di regressione simbolica ibrido. L’architettura integra Genetic Programming (GP) con Shapley Additive Explanations (SHAP), tecniche di augmentazione di caratteristiche basate su funzioni di Fourier e vincoli di coerenza fisica. La combinazione ha prodotto il modello denominato Physics-Informed Neural Fourier GP (PIN-FGP).

Le prestazioni sono state confrontate con la regressione lineare multipla e con altre varianti ibride di GP. Il PIN-FGP ha ottenuto i risultati migliori: coefficiente di determinazione R² pari a 0,9866 e radice dell’errore quadratico medio (RMSE) di 2,0 kPa.

Cinque formule interpretabili per il progettista geotecnico

L’output finale dello studio non è un singolo modello a scatola nera, ma un insieme di cinque formule interpretabili e fisicamente consistenti. Ciascuna formula lega proprietà misurabili del terreno e dell’interfaccia al valore di τ_max, consentendo al tecnico di comprendere e documentare il contributo di ogni variabile.

I risultati sperimentali originali e gli strumenti predittivi sviluppati offrono un duplice contributo. Da un lato forniscono nuovi dati quantitativi sull’influenza della morfologia granulare e della rugosità superficiale. Dall’altro mettono a disposizione dei progettisti modelli trasparenti, verificabili e direttamente utilizzabili in fase di calcolo, a supporto di scelte progettuali più fondate e documentabili.