Modelli predittivi geotecnici con vincoli fisici: Machine learning e dati di perforazione
La previsione delle proprietà del sottosuolo mediante modelli di machine learning incontra un limite noto: le stime numeriche, per quanto statisticamente robuste, possono generare configurazioni incompatibili con le evidenze fisiche del sito. Uno studio recente pubblicato su Geotechnics affronta il problema introducendo vincoli fisici direttamente nel processo di addestramento dei modelli.
L’analisi si basa su un vasto archivio di dati provenienti da perforazioni geotecniche, distribuito su una superficie di circa 32.133 km² e coprente cinque regioni fisiografiche distinte. I ricercatori hanno sviluppato due tipologie di modelli: uno per variabili categoriali (ad esempio la classificazione del tipo di suolo) e uno per variabili numeriche continue (come la profondità del bedrock).
Funzione di costo personalizzata per il rispetto dei vincoli fisici
Il cuore dell’innovazione consiste in una funzione di loss modificata. Durante l’addestramento, il modello viene penalizzato ogni volta che la previsione viola principi fisici noti. Questo consente di orientare l’apprendimento verso soluzioni realistiche senza dover integrare manualmente ogni regola nel set di dati.
Le variabili di input considerate includono:
- posizione geografica
- assetto geologico
- elevazione superficiale
- materiale parentale del suolo
- codici fisiografici
- profondità degli strati di terreno
Una fase di studio parametrico ha permesso di selezionare le combinazioni più efficaci tra queste feature.
Due case study per validare l’approccio
La metodologia è stata testata separatamente su dataset categoriali e numerici. Nel primo caso il modello ha dovuto assegnare il tipo di suolo a punti non perforati, rispettando le relazioni spaziali e litologiche osservate. Nel secondo caso l’obiettivo era la stima della profondità del substrato roccioso, un parametro critico per molte opere di fondazione.
I risultati indicano che i modelli con vincoli fisici producono stime più coerenti su vaste aree, riducendo le anomalie che emergono dai soli metodi statistici. Inoltre, l’approccio offre una chiave di lettura più approfondita dei dati storici presenti negli inventari geotecnici, spesso raccolti in occasione di indagini pregresse.
Implicazioni per la pratica professionale
Per il progettista geotecnico e il direttore dei lavori, l’integrazione di questi strumenti può migliorare la fase di pianificazione delle indagini. Laddove i dati di perforazione sono scarsi o disomogenei, un modello fisicamente vincolato può fornire prime stime attendibili, utili per dimensionare le campagne di sondaggio o per valutare la variabilità spaziale del sottosuolo.
Resta ferma la necessità di validare ogni previsione con verifiche in situ: il machine learning non sostituisce il giudizio del tecnico, ma ne amplia il set di strumenti analitici. La ricerca dimostra che l’accoppiamento tra dati sperimentali e vincoli fisici rappresenta una strada percorribile per rendere le stime numeriche più robuste, specialmente in contesti territoriali complessi.
Lascia un commento