Previsione del fattore di sicurezza per rilevati stradali alti usando foreste casuali a effetti misti e ottimizzazione con colonia di api

Perché conta la stabilità dei rilevati stradali

Quando si viaggia su un’autostrada costruita su un rialzo di terreno, si ripone fiducia nel fatto che questa collina artificiale non cederà improvvisamente. La sicurezza di questi rilevati stradali alti viene valutata con un numero chiamato “fattore di sicurezza”, che confronta le forze che mantengono il terreno al suo posto con le forze che tendono a farlo scorrere. Tradizionalmente, gli ingegneri si affidano a calcoli manuali o a simulazioni numeriche complesse per stimare questo fattore. Questo studio mostra come l’apprendimento automatico moderno possa rendere quelle previsioni più rapide e più affidabili, riducendo potenzialmente il rischio di cedimenti catastrofici dei pendii che minacciano persone, proprietà e reti di trasporto.

Costruire migliaia di rilevati virtuali

Per addestrare e testare i modelli, i ricercatori hanno prima creato un ampio e realistico set di dati usando simulazioni numeriche avanzate invece di basarsi solo su pochi casi reali. Hanno modellato rilevati stradali tra 6 e 30 metri di altezza con molte diverse geometrie di versante, inclusi progetti a gradoni che utilizzano banchine orizzontali chiamate berm per migliorare la stabilità. Hanno variato le principali proprietà del terreno — come la densità, il contenuto d’acqua, la rigidità, la resistenza al taglio e la coesione — insieme alla resistenza del terreno di fondazione sotto il rilevato. Per ciascuno dei 1.176 scenari, un programma agli elementi finiti ha calcolato il fattore di sicurezza e ricercato la superficie di scorrimento più probabile, fornendo una “verità di riferimento” attendibile rispetto alla quale giudicare le previsioni dei metodi di apprendimento automatico.

Dai modelli classici a foreste più intelligenti

Il team ha quindi confrontato tre tipi di modelli basati sui dati. Il primo è il noto metodo Random Forest, che combina molti alberi decisionali per ottenere previsioni robuste. Il secondo, chiamato Mixed Effects Random Forest, estende questa idea considerando esplicitamente dati raggruppati o “clusterizzati” — situazione frequente nel lavoro geotecnico, dove insiemi di misure possono provenire dallo stesso sito, dallo stesso tipo di terreno o dalla stessa fase costruttiva. Infine, è stato introdotto un nuovo approccio ibrido: Mixed Effects Random Forest ottimizzato con Artificial Bee Colony (ABC‑MERF). Qui, un algoritmo di ottimizzazione ispirato agli sciami, modellato sul modo in cui le api cercano il cibo, regola automaticamente i numerosi parametri della foresta a effetti misti per estrarne prestazioni migliori senza tentativi ed errori da parte dell’ingegnere.

Pulizia dei dati e verifica delle previsioni

Prima di addestrare i modelli, i ricercatori hanno preparato accuratamente i dati. Hanno identificato valori anomali estremi usando il metodo standard del box‑plot e li hanno limitati entro soglie ragionevoli in modo che valori rari e anomali non distorcessero il processo di apprendimento. Tutte le variabili in ingresso sono state poi scalate tra 0 e 1, ciò si adatta all’ottimizzatore basato sulle api e mantiene le diverse variabili comparabili. I dati sono stati suddivisi in set di addestramento e di test, e un protocollo di valutazione rigoroso ha usato diverse misure di errore, inclusa la corrispondenza delle previsioni con i fattori di sicurezza simulati e la quota di variazione dei dati che i modelli sono stati in grado di spiegare. Ulteriori controlli, come i grafici dei residui e test statistici, sono stati impiegati per confermare che i modelli non si limitassero a memorizzare i dati di addestramento ma stessero effettivamente imparando i modelli sottostanti.

Cosa hanno imparato i modelli sul terreno e sui pendii

Tutti e tre gli approcci hanno dato risultati impressionanti, ma il modello ABC‑MERF è risultato il migliore. Ha spiegato oltre il 99 percento della variazione del fattore di sicurezza e ha mantenuto errori tipici di previsione attorno al due percento dell’intervallo di sicurezza. Altrettanto importante, il comportamento del modello aveva senso fisico. Le analisi dell’importanza delle caratteristiche e delle curve di risposta hanno mostrato che l’angolo di attrito interno del terreno del rilevato e l’altezza del rilevato erano i fattori più influenti, seguiti dalla pendenza, dalla coesione e dall’uso di berm. Angoli di attrito maggiori e una maggiore coesione aumentavano la stabilità, mentre rilevati più alti e pendenze più ripide la riducevano — esattamente quanto predice la meccanica dei terreni di base. Questo accordo tra risultati guidati dai dati e teoria ingegneristica è cruciale affinché i professionisti si fidino degli strumenti di apprendimento automatico in progetti dove la sicurezza è critica.

Da strumento di ricerca ad assistente per l’ingegneria

Lo studio conclude che un ibrido accuratamente progettato di foreste casuali a effetti misti e ottimizzazione ispirata alle api può fornire previsioni altamente accurate e fisicamente significative del fattore di sicurezza per rilevati stradali alti. Per un lettore non specialista, il messaggio chiave è che gli ingegneri possono ora combinare test virtuali dettagliati con apprendimento automatico avanzato per valutare rapidamente molte opzioni progettuali e individuare configurazioni rischiose prima della costruzione. Pur non sostituendo il giudizio esperto o le indagini specifiche del sito — specialmente in presenza di terremoti o forti piogge — questi modelli offrono uno strumento di supporto alle decisioni potente per aiutare a mantenere i rilevati sotto le nostre strade stabili e sicuri nel loro lungo ciclo di vita.

Citazione: Boufarh, R., Boursas, F., Bakri, M. et al. Factor of safety prediction for high road embankments using mixed effects random forest and bee colony optimization. Sci Rep 16, 6003 (2026). https://doi.org/10.1038/s41598-026-35431-7

Parole chiave: stabilità dei pendii, rilevati stradali, fattore di sicurezza, apprendimento automatico, ingegneria geotecnica