Una rete ibrida Transformer-GRU basata su meccanismi per la previsione delle curve di isteresi dei pilastri di ponti: una ricerca interpretabile

Perché controlli più intelligenti dei ponti sono importanti

Le società moderne dipendono da vaste reti di ponti per mantenere in movimento persone e merci. Queste strutture devono sopportare silenziosamente il traffico, il vento e soprattutto i terremoti. Gli ingegneri utilizzano un tipo speciale di curva, chiamata curva di isteresi, per osservare come un pilastro di ponte si piega, si deforma plasticamente e si riprende sotto sollecitazioni ripetute. Tradizionalmente, ottenere queste curve significava test di laboratorio lunghi o costose simulazioni al computer. Questo studio presenta un nuovo approccio di intelligenza artificiale che predice queste curve rapidamente e con precisione, pur rispettando i principi fisici di base, offrendo un possibile passo avanti per una progettazione e un monitoraggio dei ponti più sicuri ed efficienti.

Osservare su carta l’oscillazione di un ponte

Quando un terremoto o un vento forte scuote un ponte, i suoi pilastri non si limitano a piegarsi e ritornare indietro come perfette aste elastiche. Al contrario, ogni ciclo di carico lascia una traccia sotto forma di un anello su un grafico forza‑in funzione‑ dello spostamento. Questi anelli di isteresi rivelano quanta energia il pilastro può assorbire, come la sua rigidezza diminuisce con il danneggiamento e quale inclinazione permanente può mantenere. Poiché tale comportamento è altamente non lineare, gli ingegneri si sono a lungo affidati a esperimenti dettagliati e a modelli numerici complessi per rappresentarlo. Pur essendo potenti, questi metodi possono essere lenti e costosi, rendendo difficile analizzare rapidamente molti ponti dopo un disastro o valutare routinariamente le infrastrutture invecchiate.

Integrare la fisica nel machine learning

I progressi recenti dell’intelligenza artificiale hanno reso possibile apprendere comportamenti strutturali complessi direttamente dai dati. Tuttavia, i modelli puramente guidati dai dati possono comportarsi come scatole nere: possono adattarsi bene a risultati passati ma fallire quando è necessario prevedere nuove strutture o condizioni di carico rare, e spesso forniscono poche spiegazioni sul perché di una previsione. Per affrontare questi limiti, gli autori hanno progettato un modello ibrido che combina un noto strumento di elaborazione del linguaggio, il Transformer, con una rete per serie temporali chiamata GRU. Crucialmente, hanno organizzato gli input e la rete in modo che la meccanica di base sia incorporata: un flusso porta dettagli geometrici del pilastro (come tipo di sezione e dimensioni), un altro le resistenze dei materiali, e un terzo i carichi applicati e parti delle curve di isteresi precedenti.

Come il modello ibrido “presta attenzione”

All’interno del modello, un meccanismo di attenzione multi‑head modificato fa da mediatore tra geometria, materiali e carichi. Invece di trattare tutti i numeri di input allo stesso modo, la rete utilizza esplicitamente le caratteristiche geometriche come “query”, le caratteristiche dei materiali come “key” e i dati di carico e storici come “value”. Questa struttura incoraggia il modello ad apprendere schemi che riecheggiano il ragionamento meccanico semplice: la forma e le dimensioni di un pilastro e la resistenza del suo calcestruzzo e dell’acciaio determinano la sua rigidezza, mentre le forze applicate e i cicli passati stabiliscono come quella rigidezza si degrada. Dopo che l’attenzione distilla queste relazioni, uno strato GRU prende il controllo per seguire come la risposta del pilastro evolve da un ciclo di carico al successivo, catturando effetti simili a fatica nel tempo.

Addestramento con molti test reali

Per addestrare e validare il modello, i ricercatori hanno utilizzato 207 prove cicliche su colonne in cemento armato tratte dal PEER Structural Performance Database. Hanno filtrato e riorganizzato con cura questo ricco insieme di dati in 15 parametri di input che coprono geometria, dettagli dell’armatura, resistenze dei materiali, registri di carico e la storia del ciclo precedente, oltre allo spostamento target per il ciclo corrente. Ogni anello di isteresi è stato riesaminato con campionamento a lunghezza comune in modo che test diversi potessero essere confrontati equamente. Hanno poi confrontato la rete ibrida con diverse alternative, inclusi GRU semplice, GRU bidirezionale e un GRU con attenzione, ottimizzando tutti i modelli con la stessa procedura di addestramento e strategia di ottimizzazione.

Precisione, efficienza dei dati e interpretabilità

Il Transformer‑GRU basato su meccanismi ha superato tutti i modelli di confronto. Rispetto al miglior GRU con attenzione concorrente, le sue predizioni hanno mostrato un incremento modesto ma significativo nella bontà di adattamento e riduzioni evidenti sia dell’errore medio che di picco. Importante, ha mantenuto prestazioni elevate anche quando addestrato su porzioni relativamente piccole dei dati disponibili, un vantaggio chiave in campi dove i test di alta qualità sono scarsi. Gli autori hanno inoltre esaminato come gli errori di previsione si accumulano quando si prevedono molti anelli di isteresi in sequenza e hanno scoperto che una strategia di addestramento che preserva l’ordine naturale degli anelli mantiene la crescita dell’errore sotto controllo. Per dare un’occhiata dentro la “scatola nera”, hanno applicato uno strumento di interpretabilità basato sulla teoria dei giochi chiamato SHAP. Questa analisi ha rivelato che, nel nuovo modello, la forma della sezione trasversale e altre proprietà geometriche e dei materiali giocano un ruolo molto più rilevante rispetto a un GRU semplice, pur dando il giusto peso alla storia dei carichi—un comportamento che corrisponde strettamente alle aspettative ingegneristiche.

Cosa significa per i ponti reali

In termini pratici, lo studio dimostra che un sistema di IA progettato con cura può imparare a “ragionare” sui pilastri dei ponti in modo che rispecchi la meccanica strutturale di base, invece di limitarsi a memorizzare i dati. Incorporando geometria, materiali e carichi nel cuore del modello, gli autori ottengono previsioni rapide di come un pilastro si fletterà e si degraderà sotto sollecitazioni ripetute, con una precisione adatta all’uso ingegneristico e con strumenti per identificare quali input contano di più. Tali modelli potrebbero in futuro aiutare gli ingegneri a selezionare rapidamente grandi inventari di ponti dopo i terremoti, pianificare interventi di rinforzo in modo più efficiente ed estendere idee analoghe ad altre strutture colonnari in edifici e infrastrutture.

Citazione: Wang, J., Zeng, W. & Zhong, H. A mechanism-based hybrid Transformer-GRU network for bridge pier hysteresis curves prediction: an interpretable research. Sci Rep 16, 4961 (2026). https://doi.org/10.1038/s41598-026-35626-y

Parole chiave: prestazioni sismiche dei ponti, curve di isteresi, IA informata dalla fisica, modello Transformer-GRU, monitoraggio dello stato strutturale