Modello della resistenza a taglio di elementi in calcestruzzo leggero basato su rete neurale profonda e ottimizzazione COVID-19

Perché il calcestruzzo più leggero e la matematica intelligente contano

Edifici e ponti diventano sempre più alti, lunghi ed efficienti, e gli ingegneri cercano materiali che siano resistenti ma leggeri. Il calcestruzzo leggero aiuta a ridurre il peso delle strutture e a migliorare l’isolamento, ma prevedere come si incrinerà e si guasterà sotto certe sollecitazioni è complicato. Questo studio mostra come una forma moderna di intelligenza artificiale, combinata con un algoritmo ispirato alla diffusione del COVID-19, possa prevedere una proprietà chiave del calcestruzzo leggero con maggiore accuratezza rispetto alle regole di progetto attuali, conducendo potenzialmente a strutture più sicure ed efficienti.

La sfida di impedire che il calcestruzzo si spezzi

Quando una trave in calcestruzzo in un edificio o in un ponte sopporta carichi, può guastarsi in modi diversi. Uno dei meccanismi più improvvisi e difficili da prevedere è il taglio, in cui si formano fessure diagonali che sezionano la trave. Le formule di progetto tradizionali adottate nei principali codici costruttivi mondiali sono deliberatamente conservative, ma spesso discordano tra loro e possono valutare male il comportamento delle travi reali. Il problema diventa ancora più complesso con il calcestruzzo leggero, il cui peso inferiore e gli aggregati diversi modificano la formazione delle fessure e il trasferimento delle forze nel materiale, indebolendo alcuni meccanismi interni che normalmente aiutano a resistere al taglio.

Come un modello di deep learning interpreta il comportamento strutturale

Per affrontare questo problema, gli autori hanno costruito una rete neurale profonda, un tipo di modello di IA composto da molti strati di semplici unità di elaborazione che rilevano pattern nei dati. Hanno addestrato questa rete su risultati sperimentali ottenuti da travi in calcestruzzo leggero, fornendole dettagli geometrici, resistenze dei materiali, proprietà dell’armatura in acciaio e la modalità di applicazione del carico. Invece di partire da parametri iniziali casuali, hanno ottimizzato i parametri interni iniziali della rete usando una strategia di ricerca speciale soprannominata algoritmo di ottimizzazione COVID-19, che prende spunti da come un’infezione si diffonde, si spegne o viene contenuta. Questo punto di partenza più intelligente aiuta la rete ad apprendere più rapidamente ed evitare di restare intrappolata in soluzioni subottimali.

Test rispetto a travi reali e norme di progetto

I ricercatori hanno quindi messo alla prova il loro modello confrontandone le previsioni con misure di laboratorio reali e con tre codici di progetto largamente utilizzati negli Stati Uniti, in Europa e in Giappone. Hanno prestato particolare attenzione alle regioni dei dati in cui il comportamento diventa altamente non lineare, cioè dove piccole variazioni degli ingressi possono produrre grandi e irregolari salti nella resistenza a taglio. Proprio in queste zone critiche, la rete profonda ha seguito i risultati sperimentali molto più da vicino rispetto alle equazioni dei codici, che tendevano ad allontanarsi. Valutato sull’intero insieme di dati, il nuovo modello ha prodotto l’errore medio più basso e la corrispondenza più stretta tra resistenze previste e osservate, mantenendo buone prestazioni anche nei controlli incrociati ripetuti che proteggono dall’overfitting.

Cosa rivela il modello sugli ingredienti chiave

Oltre a prevedere semplicemente valori numerici, gli autori hanno utilizzato la rete addestrata per esplorare quali proprietà della trave e dei materiali contano di più. L’analisi ha evidenziato la profondità efficace della trave, la resistenza a compressione del calcestruzzo, il suo peso volumetrico e la larghezza della trave come i fattori più influenti sulla capacità a taglio nel calcestruzzo leggero. Al contrario, alcuni fattori spesso ritenuti importanti, come la dimensione degli aggregati e la quantità di armatura a flessione, hanno mostrato un’influenza sorprendentemente bassa in questo insieme di dati, sollevando interrogativi per esperimenti futuri e suggerendo che i progettisti potrebbero voler concentrare maggiormente l’attenzione su un gruppo più ristretto di parametri quando raffinano le regole per le mescole leggere.

Cosa significa per le strutture future

Per i non specialisti, la conclusione principale è che un modello di deep learning accuratamente addestrato può fungere da interprete esperto tra i test di laboratorio e la pratica di progetto quotidiana. In questo studio, la rete ottimizzata con l’algoritmo COVID-19 ha fatto meglio delle formule dei codici esistenti nel stimare come le travi in calcestruzzo leggero resistono alle forze di taglio, specialmente nei casi difficili in cui il comportamento è lontano dall’essere semplice. Pur continuando a fare affidamento sui codici per l’approvazione normativa, gli ingegneri potrebbero usare strumenti come questo modello per individuare progetti eccessivamente conservativi o potenzialmente insicuri e avanzare verso strutture più leggere ed efficienti che sfruttino i materiali in modo più intelligente.

Citazione: Shamseldin, M.A., Deifalla, A.F., Kontoni, DP.N. et al. Shear strength of light weight concrete elements model based on deep neural network and COVID-19 optimization. Sci Rep 16, 15513 (2026). https://doi.org/10.1038/s41598-025-20538-0

Parole chiave: calcestruzzo leggero, resistenza a taglio, rete neurale profonda, ingegneria strutturale, algoritmo di ottimizzazione