Predizione degli spostamenti delle sommità dei pali e della superficie del terreno intorno ai pali basata su algoritmi di machine learning

Perché anche piccoli spostamenti sotterranei contano

Quando si costruiscono nuove linee metropolitane o sovrappassi, migliaia di pali profondi in cemento vengono infissi nel terreno per sostenere le strutture. Questa compressione del terreno circostante può spostare di pochi millimetri pali vicini, strade, edifici e tubazioni interrate — ma anche movimenti così piccoli possono fessurare il calcestruzzo o deformare le reti di servizio. Lo studio dietro questo articolo esplora come gli strumenti moderni di machine learning possano prevedere questi spostamenti sotterranei con maggiore accuratezza rispetto alle formule tradizionali, aiutando gli ingegneri a progettare fondazioni più sicure nelle città affollate.

Come l’infissione dei pali rimodella il terreno

Durante la costruzione, lunghi pali cavi in cemento vengono spinti nel terreno morbido invece di essere martellati, un metodo comune per progetti urbani come la Linea 1 della metropolitana di Bogotá in Colombia. Quando ogni palo viene spinto, il terreno deve spostarsi da qualche parte: viene compresso lateralmente e verso l’alto, esercitando pressione sui pali vicini e sulla superficie del terreno. Nei casi più gravi ciò può portare a pali rotti, sollevamenti stradali o danni a condotte poste a poche decine di centimetri di distanza. Gli ingegneri hanno a lungo utilizzato teorie semplificate che trattano ogni palo come un cilindro in espansione nel terreno per stimare questi effetti, ma quei metodi faticano a catturare la realtà complessa di terreni stratificati, configurazioni di pali intricate e sequenze di costruzione.

Insegnare ai computer a interpretare la risposta del terreno

I ricercatori si sono rivolti al machine learning, un ramo dell’intelligenza artificiale in cui i computer apprendono modelli dai dati invece di fare affidamento esclusivamente su equazioni scritte a mano. Hanno raccolto centinaia di misure di spostamento orizzontale alle sommità dei pali e ai punti di monitoraggio circostanti dal progetto di Bogotá. Per ogni misura hanno inoltre registrato una serie di fattori influenti, inclusi grado di umidità e densità del terreno, rigidezza, distanza dal centro del gruppo di pali, angolo attorno al gruppo e tempo trascorso dalla fine dell’infissione affinché il terreno si assestasse.

Mettere alla prova diversi modelli di apprendimento

Sono stati confrontati diversi tipi di algoritmi. Una rete neurale classica nota come rete a retropropagazione (BP) è stata usata come riferimento. Il team l’ha poi potenziata con un approccio chiamato AdaBoost, che combina molti predittori deboli in un “comitato” più accurato, creando un modello AdaBoost-BP. Hanno inoltre testato reti neurali profonde con più layer nascosti, foreste casuali composte da molti alberi decisionali e un noto metodo di boosting su alberi chiamato XGBoost. Tutti i modelli sono stati ottimizzati e verificati mediante cross-validation, una procedura che allena ripetutamente su parte dei dati e testa sul resto per evitare l’overfitting. Sia per dataset piccoli sia grandi, i modelli potenziati e quelli di deep learning hanno chiaramente superato la rete BP di base, con le reti neurali profonde in particolare che hanno rispecchiato molto più fedelmente le misure di campo.

Ciò che controlla davvero il movimento del terreno

Con modelli accurati a disposizione, gli autori hanno indagato quali fattori fossero più rilevanti. Utilizzando l’analisi SHAP, una tecnica che spiega modelli complessi assegnando a ciascun input una contribuzione alla previsione, hanno scoperto che domina la geometria semplice: la distanza orizzontale dal centro del gruppo di pali e la direzione attorno ad esso sono i fattori principali dello spostamento. I punti più vicini al centro tendono a muoversi di più, e i pattern di movimento variano intorno alla rosa dei venti perché le file di pali non sono perfettamente simmetriche. Anche il tempo trascorso dalla fine dell’infissione gioca un ruolo importante, riflettendo il lento riassestamento e il creep del terreno. Tra le proprietà del terreno, contenuto d’acqua, densità relativa e angolo di attrito interno (una misura legata al modo in cui i granuli si bloccano tra loro) hanno l’influenza maggiore, mentre altri parametri come la coesione e il peso unitario complessivo contano meno.

Nuovi strumenti per costruzioni sotterranee più sicure

Confrontando le loro previsioni basate sui dati con la tradizionale teoria dell’espansione cilindrica, gli autori hanno dimostrato che i modelli di machine learning, specialmente le reti neurali profonde, possono prevedere gli spostamenti orizzontali alle sommità dei pali e ai punti della superficie del terreno con molta maggiore accuratezza. Per progetti futuri — come ulteriori linee metropolitane — l’approccio potrebbe essere utilizzato in fase di progettazione per testare su computer diverse disposizioni di pali, distanze e sequenze costruttive prima che il terreno venga alterato, riducendo il rischio per edifici e condotte vicine. In breve, permettendo ai computer di apprendere direttamente da misure di campo dettagliate, gli ingegneri ottengono un quadro più nitido di come il terreno risponderà, rendendo più facile mantenere stabili e intatte le infrastrutture urbane vitali.

Citazione: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

Parole chiave: fondazioni su pali, spostamento del terreno, apprendimento automatico, infrastrutture sotterranee, costruzione di metropolitane