Tecnica surrogata basata su XGBoost per l’analisi dell’affidabilità di sistemi di fondazione su cavità con supporto di bootstrapping

Perché i vuoti nascosti sotto gli edifici contano

Le città sono sempre più spesso costruite sopra vecchie miniere, tunnel e altre cavità sotterranee. Questi vuoti nascosti possono erodere lentamente il terreno, causando l’inclinazione, fessurazioni o addirittura il cedimento degli edifici. Gli ingegneri cercano di progettare fondazioni che restino sicure nonostante tali rischi, ma i metodi tradizionali per verificare la sicurezza in molte condizioni possibili possono richiedere tempi estremamente lunghi. Questo studio mostra come strumenti moderni di apprendimento automatico possano rendere quei controlli più rapidi e realistici, aiutando a proteggere le strutture costruite sopra cavità.

Fondazioni su rischi del terreno invisibili

La fondazione di un edificio deve svolgere due compiti principali: non deve perforare il terreno (capacità portante) e non deve assestarsi o inclinarsi eccessivamente (assestamento). Le cavità sotto la superficie — lasciate da attività di scavo, tunneling o processi naturali — rendono entrambi i compiti più difficili. Il terreno può spostarsi o collassare nel vuoto, riducendo nel tempo il sostegno alla fondazione. La progettazione tradizionale spesso si affida a un singolo “coefficiente di sicurezza”, che confronta la resistenza apparente del sistema di fondazione con quella richiesta. Ma i terreni reali variano da luogo a luogo e cambiano nel tempo, quindi un unico fattore di sicurezza può nascondere rischi importanti.

Dalle simulazioni pesanti ai sostituti intelligenti

Per esplorare adeguatamente questi rischi, idealmente gli ingegneri eseguirebbero migliaia di simulazioni numeriche dettagliate variando resistenza del terreno, forma della cavità e altri fattori. Nella pratica ciò risulta troppo lento. Gli autori hanno invece creato un ampio set di dati con 272 simulazioni di alta qualità di una fondazione a striscia su una cavità circolare usando un software geotecnico specialistico. Hanno quindi addestrato un modello di apprendimento automatico chiamato XGBoost per imitare queste simulazioni, prevedendo sia la capacità portante sia l’assestamento a partire da input come peso del terreno, coesione, angolo di attrito, profondità della cavità e rigidezza. Il modello surrogato ha riprodotto con elevata accuratezza le simulazioni dettagliate, soprattutto per la capacità portante, il che significa che può fungere da sostituto veloce per i calcoli più costosi.

Interpretare dati disordinati e l’incertezza

I dati geotecnici reali raramente si conformano a semplici ipotesi statistiche: possono essere asimmetrici, multimodali e mostrare ampia dispersione. Gli autori hanno testato sistematicamente molte trasformazioni matematiche per far sì che i valori previsti di capacità portante e assestamento si comportassero più come curve campana ideali. Nessuna ha funzionato perfettamente da sola. Hanno trovato il miglior compromesso applicando prima una trasformazione logaritmica e poi usando una tecnica chiamata bootstrapping, che risampiona ripetutamente i dati per costruire una distribuzione empirica. Questa combinazione ha permesso di descrivere l’incertezza in modo robusto senza forzare i dati in una forma irrealistica.

Calcolare le probabilità di cedimento oggi e in futuro

Con il modello surrogato e il trattamento dei dati migliorato, il team ha utilizzato la simulazione Monte Carlo per stimare quanto spesso le fondazioni fallirebbero rispetto a due criteri: perdita di capacità portante e assestamento eccessivo. Hanno riscontrato che il limite sull’assestamento era più critico della capacità portante, aumentando la probabilità di cedimento di quasi il 30% se considerato isolatamente. Quando entrambi i criteri sono stati combinati in una visione di sistema — dove si considera un cedimento se è violato anche solo uno dei due — la probabilità complessiva di cedimento è aumentata ulteriormente, di oltre il 50% rispetto all’esame della sola capacità portante. Lo studio ha inoltre esplorato come la sicurezza potrebbe degradare nel corso di decenni riducendo gradualmente la capacità portante e aumentando l’assestamento atteso. Sotto queste tendenze ipotizzate, gli indici di affidabilità sono diminuiti costantemente, avvicinandosi a un livello di rischio pari a una moneta lanciata dopo circa un secolo.

Cosa significa per una progettazione più sicura

Per i non specialisti, il messaggio chiave è che la sicurezza degli edifici sopra cavità sotterranee non può essere valutata in modo affidabile con un unico coefficiente di sicurezza o controllando solo una modalità di cedimento. Abbinando un surrogato di apprendimento automatico ben addestrato a un accurato trattamento statistico e a simulazioni Monte Carlo, gli ingegneri possono esplorare rapidamente migliaia di scenari “e se”, tenendo conto di proprietà del terreno incerte, geometria della cavità e cambiamenti dipendenti dal tempo. Questo approccio mostra che l’assestamento e il comportamento a livello di sistema possono governare il rischio, anche quando la capacità portante sembra adeguata. In termini pratici, il quadro fornisce un modo più rapido e realistico per individuare fondazioni che potrebbero apparire sicure sulla carta ma diventare vulnerabili man mano che il terreno sotto di esse evolve.

Citazione: Shubham , K., Metya, S., Sinha, A.K. et al. XGBoost based surrogate technique for system reliability analysis of foundation over cavity aided with bootstrapping. Sci Rep 16, 7113 (2026). https://doi.org/10.1038/s41598-026-37058-0

Parole chiave: affidabilità delle fondazioni, cavità sotterranee, apprendimento automatico, simulazione Monte Carlo, ingegneria geotecnica