La modellazione multirischio adattiva prevede il cedimento delle dighe indotto dalle precipitazioni: uno studio di caso

Perché questo è importante per chi vive vicino alle dighe

Nel mondo, molte grandi dighe sono ancora in costruzione o vengono rialzate per immagazzinare più acqua. Durante queste fasi incomplete le strutture possono essere sorprendentemente fragili, soprattutto nelle stagioni di piogge intense. Questo studio esamina una diga etiope che ha subito gravi danni alle scarpate prima ancora di contenere un bacino pieno, e presenta un nuovo metodo per prevedere tali problemi con settimane di anticipo. L’approccio potrebbe aiutare gli ingegneri a passare dal reagire a fessure e smottamenti dopo la loro comparsa al prevenirli prima che mettano a rischio persone e infrastrutture a valle.

Pioggia, terreno debole e una struttura vulnerabile

La diga di Megech nel nord dell’Etiopia è una diga in terra e materiali sciolti, costruita strato dopo strato con argilla e pietrame anziché in calcestruzzo massiccio. Ritardi nei finanziamenti e nei lavori l’hanno lasciata parzialmente completata per diversi anni, con una grande apertura che permetteva ancora al fiume di defluire. In questo stato la diga presentava scarpate esposte, drenaggi incompleti e strati di riempimento non ancora protetti da un bacino pieno. Piogge eccezionalmente intense nel 2020 e nel 2021 hanno inzuppato la struttura dall’alto e dal basso, saturando il nucleo argilloso e le fondazioni. L’acqua si è accumulata in depressioni a monte, ha filtrato lungo fenditure e ha gradualmente indebolito una fascia interna della diga, causando fessurazioni da trazione, scivolamenti superficiali e persino lo spostamento verso valle di un blocco di materiale profondo 24 metri.

Guardare all’interno della diga in tre dimensioni

Per capire perché si sono verificati questi cedimenti, i ricercatori hanno prima ricostruito la diga al computer con grande dettaglio. Hanno combinato disegni di progetto, punti di rilievo e ispezioni sul campo per creare un terreno digitale tridimensionale della valle, delle fondazioni e dell’argine parzialmente completato. Prove di laboratorio su campioni di argilla e roccia hanno rivelato quanto fossero resistenti, compatti o permeabili le diverse zone. Mappando queste proprietà nella diga, hanno identificato una fascia particolarmente vulnerabile dove l’elevata presenza di argilla, sacche di maggiore permeabilità e un forte potenziale di rigonfiamento coincidevano con le fessure e gli scivolamenti osservati. Modelli numerici avanzati hanno quindi simulato come l’acqua piovana si muovesse attraverso la diga, come la pressione interstiziale aumentasse in profondità e come le tensioni interne cambiassero man mano che la struttura si saturava.

Insegnare a un modello a imparare dalla fisica e dai dati

Le simulazioni tradizionali al computer delle dighe possono essere molto accurate ma sono troppo lente e laboriose per essere eseguite settimanalmente con l’arrivo di nuovi dati di monitoraggio. Gli strumenti puramente dati-driven, come le reti neurali standard, possono essere più veloci ma spesso trascurano la fisica sottostante e faticano quando sono disponibili solo pochi anni di misurazioni. Il team ha dunque costruito un sistema ibrido che combina i punti di forza di entrambi. Una parte, basata sul metodo degli elementi finiti, cattura il comportamento fisico della diga sotto diverse condizioni idriche, producendo mappe di sforzo, deformazione e pressione interna dell’acqua. Una seconda parte, una rete neurale ricorrente progettata per seguire le variazioni temporali, impara come la pressione interstiziale e i movimenti evolvono settimana dopo settimana. Una terza parte, una rete neurale più semplice, apprende come la resistenza del suolo diminuisce gradualmente mentre si deforma e rimane umido. Un meccanismo di “attenzione” evidenzia le settimane passate che contano di più per una futura instabilità, rendendo le previsioni più trasparenti per gli ingegneri.

Prevedere i problemi con settimane di anticipo

Il modello ibrido è stato addestrato e testato su due anni di dati di monitoraggio settimanali della diga di Megech — comprendenti precipitazioni, pressioni interne dell’acqua e movimenti del terreno — insieme alle descrizioni basate sulla fisica dello stato della diga. A confronto con approcci comuni di machine learning come macchine a vettori di supporto, foreste casuali o una rete neurale standalone, il nuovo quadro ha previsto il fattore di sicurezza della diga con maggiore accuratezza e, cosa cruciale, in anticipo. È stato in grado di rilevare la tendenza al ribasso nella stabilità durante le stagioni di piogge intense ed emettere avvisi affidabili fino a circa tre settimane e mezza prima che si raggiungessero condizioni critiche. Il componente di attenzione ha automaticamente segnalato gli stessi periodi che gli ingegneri hanno poi riconosciuto in campo come i più pericolosi, confermando che il modello aveva appreso precursori significativi piuttosto che schemi casuali.

Cosa significa per la sicurezza delle dighe

In termini semplici, lo studio dimostra che combinare simulazioni basate sulla fisica con algoritmi di apprendimento moderno può trasformare dati di monitoraggio sparsi in un sistema di allerta precoce per cedimenti indotti dalle piogge nelle dighe in terra in costruzione. Cogliendo come l’acqua penetra lentamente, come le pressioni interne si accumulano e come il suolo perde progressivamente resistenza, il quadro aiuta gli ingegneri a individuare debolezze nascoste prima che diventino fessure e scivolamenti visibili. Pur essendo dimostrato su una singola diga, il metodo è progettato per essere adattabile ad altri progetti, offrendo una via verso una gestione più proattiva e consapevole del clima della sicurezza delle dighe nei loro anni più vulnerabili.

Citazione: Nasser, M., Assefa, E., Assefa, S.M. et al. Adaptive multihazard modeling predicts rainfall-driven dam failure: a case study. Sci Rep 16, 11012 (2026). https://doi.org/10.1038/s41598-026-36927-y

Parole chiave: sicurezza delle dighe, frane indotte dalle piogge, sistemi di allerta precoce, IA informata dalla fisica, dighe in terra e materiali sciolti