Predizione basata su deep learning della capacità assiale di colonne in calcestruzzo rinforzate con CFRP

Predizione della capacità assiale di colonne in c.a. rinforzate con CFRP: un modello basato su deep learning

La stima della capacità portante assiale di colonne in calcestruzzo armato soggette a rinforzo con polimeri fibrorinforzati (FRP) rappresenta un passaggio critico nella progettazione strutturale. La complessità delle interazioni tra i parametri geometrici, meccanici e di confinamento rende i modelli empirici tradizionali spesso inadeguati. Uno studio recente, pubblicato sulla rivista Infrastructures (Vol. 11, Pages 151), propone un approccio basato su reti neurali profonde (Deep Neural Network, DNN) per superare queste limitazioni, offrendo ai progettisti uno strumento predittivo di notevole accuratezza.

Il database sperimentale e l’architettura del modello

Il lavoro, condotto da Nasim Shakouri Mahmoudabadi, Charles V. Camp e Afaq Ahmad, si fonda su una raccolta di 469 test sperimentali tratti dalla letteratura scientifica. Su questo database è stato addestrato e validato un modello di deep learning, ottimizzato mediante il framework di ottimizzazione iperparametrico Optuna e convalidato tramite k-fold cross-validation. Questa metodologia ha permesso di aumentare la robustezza del modello e di ridurre il rischio di overfitting, garantendo una generalizzazione affidabile dei risultati.

Prestazioni predittive e confronto con i codici normativi

Le performance del modello sono state valutate tramite diversi indicatori statistici: il coefficiente di determinazione (R²), l’errore quadratico medio (RMSE), l’errore medio assoluto (MAE), l’errore percentuale medio assoluto (MAPE) e l’indice a20. I risultati mostrano un R² prossimo a 0.99 e un indice a20 pari a 0.98, a testimonianza di un eccellente accordo tra i valori predetti e quelli sperimentali.

Un aspetto di particolare interesse per il tecnico strutturista è il confronto diretto con le prescrizioni dei codici di progetto internazionali. Il modello DNN sviluppato è stato messo a confronto con le formule fornite dalla guida ACI 440.2R-17 e dalla norma canadese CSA S806-12. In entrambi i casi, il deep learning ha evidenziato un’accuratezza significativamente superiore, con errori di stima ridotti rispetto ai metodi analitici tradizionali.

Implicazioni per la pratica professionale

L’affidabilità del modello proposto introduce una prospettiva operativa concreta per i progettisti impegnati nella verifica e nel retrofit di elementi strutturali esistenti. La possibilità di disporre di una stima accurata della capacità assiale di una colonna confinata con CFRP, senza le approssimazioni intrinseche delle formule empiriche, consente di ottimizzare gli interventi di rinforzo, riducendo i margini di incertezza e migliorando l’efficienza della progettazione.

Lo strumento basato su deep learning, una volta integrato in un flusso di lavoro professionale, potrebbe affiancarsi ai metodi tradizionali come supporto decisionale avanzato. Resta inteso che l’adozione di tali modelli nella pratica corrente richiede una validazione normativa e un inquadramento all’interno dei criteri di accettabilità definiti dalle linee guida nazionali e internazionali.