Ottimizzazione di modelli di machine learning con Optuna per una previsione accurata della resistenza e del comportamento delle fessure in travi in calcestruzzo preteso

Perché è importante prevedere le fessure nel calcestruzzo

Ponti e grandi edifici si basano su travi in calcestruzzo di notevole lunghezza che sopportano silenziosamente carichi pesanti e condizioni atmosferiche per decenni. Molte di queste travi sono «precompresse»—cavi d’acciaio vengono tesi all’interno del calcestruzzo affinché resista a fessurazioni e deformazioni. Quando queste travi perdono resistenza o iniziano a fessurarsi in modo imprevisto, le conseguenze possono essere gravi: riparazioni costose, chiusure al traffico o addirittura incidenti. Tuttavia, testare travi a grandezza naturale in laboratorio è costoso e lento. Questo studio esplora come il moderno machine learning, opportunamente tarato con uno strumento di ottimizzazione chiamato Optuna, possa prevedere la resistenza delle travi e il comportamento delle fessure usando dati di prova esistenti anziché nuovi esperimenti su larga scala.

Da risultati di prova sparsi a una risorsa dati ricca

I ricercatori hanno prima raccolto una vasta collezione di risultati di prova su travi in calcestruzzo precompresso provenienti da 22 studi pubblicati, ottenendo 626 set di dati relativi a travi. Ogni trave è stata descritta da 21 caratteristiche misurabili, come la larghezza e l’altezza, la quantità e la posizione dell’armatura in acciaio e i dettagli dei cavi di precompressione. Gli esiti di interesse includevano il momento al formarsi della prima fessura significativa (momento di fessurazione), il carico che la trave può sostenere prima della rottura (momento ultimo), la distanza tipica tra le fessure e l’apertura massima della fessura. Hanno pulito e standardizzato con cura questi dati eterogenei in modo che differenze di unità e di modalità di prova non confondessero i modelli, quindi hanno riservato una parte dei dati per test indipendenti e imparziali.

Insegnare ai computer a leggere i segnali di cedimento

Invece di affidarsi a formule tradizionali, che spesso faticano con le complessità delle strutture reali, il team ha addestrato quattro diffusi modelli di machine learning a riconoscere pattern direttamente dai dati: alberi decisionali (Decision Trees), foreste casuali (Random Forests), XGBoost e LightGBM. Questi modelli funzionano costruendo numerose regole decisionali a partire dalle caratteristiche di input per predire il comportamento della trave. Tuttavia, le loro prestazioni dipendono fortemente dalla taratura di «manopole» chiamate iperparametri—per esempio, quanto in profondità può crescere ogni albero decisionale, quante alberi usare e quanto velocemente il modello apprende. Impostazioni inadeguate possono portare a modelli lenti, imprecisi o sovradattati, che falliscono quando devono affrontare travi nuove.

Lascare Optuna cercare le impostazioni migliori

Per affrontare questa sfida di taratura, i ricercatori hanno utilizzato Optuna, un moderno framework di ottimizzazione che esplora automaticamente combinazioni promettenti di iperparametri invece di provarle manualmente. Per ogni combinazione proposta, Optuna addestrava un modello, verificava quanto bene prediceva le prestazioni della trave e poi usava quel feedback per proporre impostazioni migliori. Il team ha altresì esaminato le curve di apprendimento per scegliere un numero adeguato di iterazioni di training, evitando modelli che si arrestano troppo presto o che overfittano. Questo processo ha portato a un vincitore chiaro: il modello LightGBM, ottimizzato con Optuna, ha predetto la resistenza delle travi con un R² superiore a 0,98 e la resistenza alle fessure con un R² superiore a 0,8, il che significa che le sue previsioni seguivano molto da vicino i dati sperimentali.

Aprire la “scatola nera” del machine learning

L’elevata accuratezza da sola non è sufficiente per gli ingegneri, che hanno bisogno di capire perché un modello fa certe previsioni prima di affidarsi ad esso per verifiche di progetto o di sicurezza. Per aggiungere questa trasparenza, gli autori hanno utilizzato SHAP, un metodo che scompone ogni previsione in contributi dalle singole caratteristiche di input. SHAP ha mostrato, per esempio, che la profondità della zona di compressione della trave, la quantità di acciaio preteso che contiene e la resistenza del calcestruzzo influenzano fortemente quando si formano le fessure e quanto ampie diventano—intuizioni che concordano con la meccanica strutturale di base. In pratica, il modello di machine learning non solo ha corrisposto alla comprensione umana, ma ha anche quantificato l’impatto relativo delle diverse scelte di progetto.

Cosa significa per le strutture nel mondo reale

Per i non specialisti, il messaggio chiave è che il machine learning accuratamente tarato può trasformare risultati di prova sparsi in uno strumento pratico per verificare lo stato di salute e la sicurezza delle travi in calcestruzzo precompresso. I modelli LightGBM e XGBoost ottimizzati con Optuna possono aiutare gli ingegneri a stimare quando le travi si fessureranno e quale carico possono sostenere in sicurezza, senza dover realizzare e distruggere così tanti provini a grandezza naturale. Poiché i modelli sono sia accurati sia interpretabili, possono guidare scelte progettuali più intelligenti—come quanta armatura usare e dove posizionarla—contribuendo a prolungare la vita di ponti ed edifici risparmiando tempo, denaro e materiali.

Citazione: Wen, Y., Guo, R., Duan, Z. et al. Machine learning model optimization with optuna for accurate prediction of strength and crack behavior in prestressed concrete beams. Sci Rep 16, 5822 (2026). https://doi.org/10.1038/s41598-026-36692-y

Parole chiave: travi in calcestruzzo preteso, predizione delle fessure, machine learning, ottimizzazione degli iperparametri, ingegneria strutturale