Modello RNN LSTM per rilevare la punta della fondazione usando dati grezzi del test di integrità del palo

Controlli più intelligenti per fondazioni nascoste

Molti edifici e ponti poggiano su lunghi elementi in calcestruzzo interrati chiamati pali. Poiché questi pali sono sepolti, gli ingegneri non possono semplicemente osservarli per verificare se sono stati costruiti correttamente o quanto profondi siano. Questo studio mostra come un modello di intelligenza artificiale possa leggere segnali di vibrazione sottili ricavati da un semplice colpo di martello e identificare automaticamente la punta del palo — il punto in cui termina nel terreno — rendendo questi controlli nascosti più rapidi, più affidabili e meno dipendenti dal giudizio soggettivo di singoli esperti.

Come gli ingegneri “ascoltano” i tubi interrati

Per esaminare un palo senza scavarne l’estremità, gli ingegneri utilizzano un test di integrità a bassa sollecitazione. Un operatore colpisce la sommità del palo con un piccolo martello mentre un sensore registra come il palo vibra. L’impatto genera un’onda di sollecitazione che scende lungo il palo; quando l’onda incontra una discontinuità — come la punta del palo o un difetto — essa si riflette indietro. Un dispositivo portatile trasforma queste vibrazioni in una traccia chiamata riflettoogramma, che mostra come il segnale varia nel tempo o in profondità. Ingegneri esperti analizzano questa traccia, insieme alle informazioni di cantiere e a norme come ASTM D5882 e regole basate su Eurocodice, per giudicare se il palo è integro e dove si trovi la sua punta. Ma questa interpretazione può essere soggettiva, dispendiosa in termini di tempo e sensibile al rumore e alle condizioni del terreno.

Perché introdurre l’apprendimento profondo

Negli ultimi anni i ricercatori hanno sperimentato molteplici approcci di intelligenza artificiale per interpretare i dati dei test sui pali, dalle reti neurali classiche a metodi basati su immagini e classificatori di segnali. Questi approcci spesso richiedono l’estrazione manuale di caratteristiche dai segnali registrati o la loro conversione in immagini e possono faticare a catturare come le onde evolvono nel tempo lungo il palo. Gli autori di questo articolo si concentrano invece su modelli progettati specificamente per le sequenze: reti neurali ricorrenti con memoria a lungo termine, o RNN‑LSTM. Queste reti sono costruite per “ricordare” quanto avvenuto in precedenza in una serie temporale, rendendole adatte a seguire un’onda indotta dal martello mentre viaggia, si riflette e si attenua all’interno del palo.

Trasformare i colpi di martello grezzi in dati puliti

Il gruppo ha raccolto un database di 500 registrazioni di test a bassa sollecitazione da progetti edilizi egiziani riguardanti pali trivellati in calcestruzzo lunghi da 12 a 30 metri in terreni stratificati. Per ogni palo disponevano delle misure di accelerazione grezze nel tempo e di un corrispondente riflettoogramma che era stato originariamente tracciato e interpretato da operatori umani. Hanno digitalizzato con cura questi grafici, convertito la profondità in tempo usando velocità d’onda note e normalizzato la scala verticale in modo che i segnali provenienti da pali diversi potessero essere confrontati. Sul lato dei sensori grezzi hanno smussato il rumore ad alta frequenza, standardizzato i segnali usando una scala statistica robusta e impiegato un riempimento intelligente e piccole variazioni casuali in modo che la rete neurale potesse gestire sequenze di lunghezze diverse senza distorcerne i pattern.

Progettare e testare la rete neurale

Sono state provate diverse architetture di rete, variando il numero di strati e di “neuroni” virtuali utilizzati dal modello. I ricercatori hanno cercato un equilibrio: buona precisione predittiva senza un’esplosione dei costi computazionali o una tendenza a memorizzare i dati di addestramento. Hanno scoperto che un modello LSTM a sei strati con 32 unità per strato raggiungeva questo compromesso. Per aiutare il modello a seguire le parti importanti del segnale, hanno aggiunto scorciatoie fra gli strati e un meccanismo di attenzione che permette alla rete di concentrarsi su intervalli temporali chiave. Addestrato su 400 pali e validato su 100 casi non visti, il modello finale ha riprodotto le tracce di velocità generate dall’uomo con elevata accuratezza statistica, mostrando un forte accordo tra segnali predetti e digitalizzati.

Dai numeri a decisioni pratiche sui pali

Oltre alle statistiche, la domanda pratica principale è se il modello riesca a segnare correttamente la punta del palo. I ricercatori hanno ispezionato visivamente ogni riflettoogramma predetto e confrontato la posizione della punta con il riferimento digitalizzato. Se la corrispondenza era entro il 5 percento, veniva classificata “Buono”; fino al 10 percento, “Discreto”; oltre tale soglia, “Scarso.” Nel set di addestramento circa il 90 percento dei pali era “Buono” e solo il 4 percento era “Scarso.” Nel set di validazione, l’84 percento era “Buono” e il 6 percento “Scarso.” Questi risultati suggeriscono che il sistema di IA può imitare l’interpretazione degli esperti con sufficiente precisione da risultare utile nei controlli di routine, almeno entro le gamme di dimensioni dei pali, resistenze del calcestruzzo e tipi di prova per cui è stato addestrato.

Che cosa significa per strutture più sicure

In termini semplici, lo studio dimostra che un modello di deep learning ben progettato può prendere il record di vibrazione grezzo derivato da un colpo di martello su un palo e tracciare automaticamente lo stesso tipo di curva che uno specialista userebbe per individuare la punta del palo. Questo riduce il numero di passaggi manuali e la possibilità di errore umano, mantenendo al contempo il giudizio finale sulla qualità del palo trasparente e ancorato a grafici familiari. Per ora, il modello si applica solo a un tipo specifico di sensore e a pali simili a quelli dello studio, ma indica una direzione futura in cui i controlli di routine sulle fondazioni nascoste diventano più rapidi, più coerenti e più facili da eseguire nei cantieri affollati.

Citazione: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

Parole chiave: test di integrità dei pali, apprendimento profondo, rete neurale ricorrente, prova non distruttiva, ingegneria civile