Migliorare la previsione della capacità portante terminale di pali incassati nella roccia usando modelli XGBoost ottimizzati e aumentati con rumore gaussiano

Costruire sulla roccia invece che sul caso

Quando gli ingegneri progettano ponti e grattacieli, spesso si affidano a fondazioni profonde che penetrano fino alla roccia compatta. La resistenza di questi “pali incassati nella roccia” è cruciale per la sicurezza e i costi, ma la loro capacità reale alla base è difficile da misurare direttamente. Questo studio mostra come strumenti moderni di apprendimento automatico, combinati con accorgimenti intelligenti per generare dati, possano fornire agli ingegneri stime molto più precise di quanto carico queste fondazioni profonde possano sopportare in sicurezza—risparmiando potenzialmente sui costi di costruzione senza compromettere la sicurezza delle strutture.

Perché le fondazioni profonde sono così difficili da valutare

I pali incassati nella roccia sono grandi colonne di calcestruzzo perforate attraverso terreni più deboli e ancorate nella roccia più resistente. In teoria, più la roccia è dura e migliore è la costruzione, maggiore è il peso che un palo può sostenere alla sua punta. In pratica, le condizioni sono complicate: fango e bentonite possono accumularsi sul fondo del foro, la rugosità e la geometria della cavità variano, e vuoti o fratture nascosti nella roccia sono difficili da individuare. A causa di queste incertezze, i progettisti spesso adottano scelte conservative assumendo poco o nessun contributo dalla punta del palo, il che porta a fondazioni più lunghe e costose di quanto potrebbe essere necessario.

Dalle formule semplici a previsioni più intelligenti

I metodi tradizionali per stimare la capacità dei pali si basano su equazioni semplificate o su modelli convenzionali. Questi di solito si concentrano su un ristretto numero di proprietà—come la resistenza a compressione della roccia—and trattano la massa rocciosa in modo idealizzato. Negli ultimi anni, i ricercatori hanno iniziato a utilizzare tecniche di intelligenza artificiale per imparare direttamente da banche dati di prove di carico, dove i pali sono stati caricati fino a osservare il loro comportamento. Questi approcci possono gestire molti input contemporaneamente, inclusi diametro del palo, profondità in terreno e roccia e indicatori della qualità della roccia, ma sono anche delle “scatole nere” che possono sovra‑adattarsi quando i dati sono limitati.

Alimentare l’algoritmo con dati reali e sintetici

Gli autori si sono basati su un insieme pubblicato di 151 prove su pali incassati nella roccia che registravano il fattore di capacità alla punta (una misura di quanto carico la punta può sopportare) insieme a otto caratteristiche descrittive. Dopo aver pulito con cura i dati per rimuovere outlier e lacune, hanno mantenuto 136 pali reali. Per superare la scarsa dimensione del campione—un problema comune in ingegneria geotecnica—hanno poi creato dati “sintetici” aggiungendo un lieve rumore gaussiano casuale alle registrazioni esistenti. Questo ha prodotto un dataset più grande e statisticamente coerente di 460 pali che preservava i pattern originali offrendo al contempo maggiore varietà per addestrare i modelli di apprendimento automatico.

Addestrare e ottimizzare gli algoritmi

Il gruppo si è concentrato su un algoritmo chiamato Extreme Gradient Boosting, o XGBoost, che combina molti semplici alberi decisionali in un predittore potente. Per ottenere le migliori prestazioni da XGBoost, lo hanno abbinato a tre schemi di ottimizzazione ispirati alla natura, basati su regole aritmetiche, comportamenti di brainstorming e strategie di caccia delle balene. Questi ottimizzatori hanno regolato automaticamente parametri chiave—come la profondità degli alberi e il tasso di apprendimento—per trovare un equilibrio tra adattamento ai dati noti ed evitamento dell’overfitting. Tra le varianti, il modello XGBoost ottimizzato con l’Arithmetic Optimization Algorithm (XGBoost_AOA) è risultato il più accurato e stabile.

Cosa i modelli hanno imparato su roccia e pali

Usando solo i 136 pali originali, il modello ottimizzato superava già i metodi precedenti. Quando è stato addestrato sul dataset ampliato di 460 pali, la sua accuratezza è migliorata drasticamente: gli errori di previsione si sono ridotti a una frazione del loro valore precedente e il confronto tra capacità previste e osservate si è avvicinato molto a una linea ideale uno a uno. L’analisi ha anche rivelato quali input erano più importanti. La resistenza a compressione della roccia e una valutazione della massa rocciosa sono risultati i predittori dominanti, mentre il diametro del palo e il livello complessivo del carico hanno avuto anch’essi ruoli significativi. Indicatori strettamente correlati tra loro, come due diversi punteggi di qualità della roccia, si sono rivelati altamente ridondanti, mettendo in evidenza come informazioni sovrapposte possano favorire l’overfitting se non gestite con attenzione.

Dal codice di ricerca a uno strumento pratico

Per rendere i risultati utilizzabili fuori dal laboratorio, gli autori hanno impacchettato il loro modello migliore in un’interfaccia informatica semplice da usare. Gli ingegneri possono inserire parametri base del palo e della roccia e ottenere una stima immediata della capacità alla punta, accompagnata da evidenze che il modello è stato verificato su casi storici indipendenti. Pur dipendendo ancora dalla qualità e dall’estensione dei dati sottostanti, l’approccio dimostra come la combinazione di apprendimento automatico, generazione di dati sintetici e strumenti di interpretabilità possa trasformare risultati di prove sparse in un aiuto pratico per la progettazione—riducendo le incertezze, attenuando conservatorismi non necessari e permettendo di progettare fondazioni più sicure ed economiche.

Citazione: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

Parole chiave: pali incassati nella roccia, fondazioni profonde, apprendimento automatico, aumento dei dati, ingegneria geotecnica