La valutazione della vulnerabilità sismica e da tsunami delle infrastrutture costiere richiede modelli di fragilità che integrino carichi dinamici complessi e danni pregressi. Nel contesto degli eventi near-field, la modellazione probabilistica si scontra con la forte variabilità spaziale delle sollecitazioni idrodinamiche e la compresenza di danneggiamento sismico preesistente. Un recente contributo pubblicato su Infrastructures (Vol. 11, pag. 221) propone tre avanzamenti metodologici per affrontare queste criticità, combinando simulazione numerica e osservazioni empiriche post-evento.
Superfici di fragilità condizionate al danno sismico preesistente
Il primo contributo sviluppa un framework di simulazione consecutiva sisma-tsunami. Invece di ricorrere a scomposizioni probabilistiche statisticamente complesse, il metodo genera superfici di fragilità condizionate che incorporano esplicitamente il livello di danno sismico prima dell’arrivo dell’onda. In questo modo si evita il ricorso a decomposizioni probabilistiche che perdono tracciabilità fisica, offrendo una rappresentazione più coerente del comportamento strutturale sotto sequenze sismiche e maremotiche.
Shift di intensità dipendente dalla distanza per scenari near-field
Il secondo avanzamento consiste in un approccio di shifting delle curve di intensità basato sulla distanza dalla costa. Derivato dall’analisi del dataset di survey del Grande Terremoto del Giappone Orientale del 2011, il metodo adatta le curve di fragilità di base alle condizioni near-field e near-coast. L’approccio è fisicamente interpretabile e direttamente applicabile nella pratica, consentendo di modulare la vulnerabilità in funzione della posizione geografica rispetto alla sorgente e alla linea di costa.
Cross-validazione tra simulazioni e dati osservativi tramite machine learning
Il terzo elemento stabilisce un percorso esplicito di convalida incrociata tra le superfici di fragilità derivate dalla simulazione e le osservazioni empiriche di danno. Attraverso un’analisi di importanza delle feature basata su tecniche di machine learning, il lavoro colma una lacuna presente in letteratura, collegando modelli numerici a evidenze reali. I risultati sono dimostrati per un archetipo di telaio in calcestruzzo armato (RC) statunitense, mentre le validazioni empiriche riguardano costruzioni in legno giapponesi.
Implicazioni per la stima del rischio e la progettazione costiera
Nell’insieme, i tre contributi forniscono una base metodologicamente consistente per la modellazione della fragilità da tsunami in ambiente near-field. Il framework è direttamente applicabile – previa calibrazione specifica per tipologia strutturale – a piattaforme di stima delle perdite e della resilienza, come quelle utilizzate nei piani di mitigazione del rischio sismico e maremotico. Per il professionista tecnico, il lavoro offre strumenti per affinare le valutazioni di vulnerabilità di infrastrutture costiere in regioni di subduzione, integrando dati di simulazione e osservazioni da eventi passati.
Lascia un commento