Valutazione automatizzata della stabilità dei versanti usando il metodo modificato di Morgenstern-Price e integrazione con machine learning

Perché i versanti più sicuri sono importanti

Frane e cedimenti dei versanti possono chiudere strade, danneggiare miniere e dighe e mettere a rischio le comunità vicine. Gli ingegneri cercano di prevenire tali disastri stimando quanto un versante sia vicino al collasso, ma calcoli dettagliati e simulazioni al computer possono essere lenti quando bisogna verificare molte possibili condizioni del suolo e del terremoto. Questo studio presenta un sistema automatizzato che combina un metodo ingegneristico consolidato con il moderno machine learning, in modo che la sicurezza dei versanti possa essere valutata rapidamente e in modo coerente su migliaia di scenari.

Unire il sapere classico e gli strumenti nuovi

Gli autori si concentrano su quanto gli ingegneri chiamano il “fattore di sicurezza”, un numero singolo che confronta le forze che spingono il versante a scivolare con le forze che lo mantengono stabile. Partono da una tecnica ben consolidata nota come metodo di Morgenstern–Price, che suddivide il pendio in molte strisce verticali e bilancia le forze su ciascuna di esse, includendo la resistenza del terreno, il peso del suolo, la pressione dell’acqua e le sollecitazioni sismiche. Poiché questo metodo è sia rigoroso sia ampiamente affidabile, costituisce la spina dorsale fisica del nuovo quadro. Il team semplifica le equazioni quanto basta per renderle efficienti su larga scala, pur considerando effetti importanti come l’acqua nel terreno e le componenti orizzontali e verticali delle forze sismiche.

Costruire un mondo virtuale di versanti

Invece di aspettare rari cedimenti reali, i ricercatori hanno creato un enorme set di dati sintetici di circa 100.000 versanti “virtuali”. Ogni caso varia ingredienti chiave: peso del suolo, altezza e inclinazione del pendio, coesione e attrito (che controllano la resistenza al taglio), pressione dell’acqua e intensità sismica, insieme a un fattore che approssima le forze tra strisce vicine. Per ciascuno di questi versanti artificiali, il metodo semplificato di Morgenstern–Price calcola un fattore di sicurezza. Il team quindi pulisce e prepara i dati, eliminando estremi irrealistici, normalizzando gli intervalli numerici e suddividendo la raccolta in set di addestramento e di test. Questa preparazione accurata garantisce che i modelli di machine learning vedano una distribuzione realistica di versanti stabili, al limite e instabili e che le conclusioni siano statisticamente solide piuttosto che artefatti di dati rumorosi.

Lasciare che i dati rivelino cosa conta di più

Con i versanti sintetici a disposizione, gli autori indagano quali proprietà controllano più fortemente la stabilità. Usando misure di importanza delle caratteristiche da modelli di machine learning basati su alberi, eseguono un’analisi di sensibilità globale. I risultati sono in linea con l’intuizione ingegneristica: la pendenza del versante è di gran lunga il fattore dominante, seguita dall’altezza e dalla resistenza coesiva del suolo. L’angolo di attrito e la pressione dell’acqua contano anch’essi, soprattutto in condizioni bagnate o sature, mentre la componente verticale della sollecitazione sismica ha un effetto percepibile ma minore nell’intervallo testato. Altri input, come il peso volumetrico del suolo e il fattore di scala che rappresenta le interazioni tra strisce, hanno un’influenza relativamente ridotta nei limiti scelti. Questi risultati offrono indicazioni pratiche: i progettisti dovrebbero concentrare gli sforzi nel misurare e controllare la geometria e la resistenza al taglio di un versante e nel gestire l’acqua, che erode il margine di sicurezza.

Addestrare macchine a imitare la fisica

Successivamente, sono addestrati nove diversi algoritmi di machine learning per prevedere direttamente il fattore di sicurezza a partire dagli input del versante, usando i calcoli basati sulla fisica come segnale di insegnamento. Tra questi ci sono reti neurali, alberi decisionali, foreste casuali e diversi metodi moderni di “boosting” che combinano molti modelli semplici in un potente insieme. Tutti i modelli subiscono una messa a punto sistematica e verifiche incrociate con più metriche di performance per evitare l’overfitting. Molti ottengono ottimi risultati, ma un algoritmo, CatBoost, si distingue: su dati di test non visti riproduce il fattore di sicurezza con precisione quasi perfetta, mantenendosi più stabile rispetto a modelli ad albero più semplici che tendono a memorizzare il set di addestramento.

Un aiuto automatizzato, non una sfera di cristallo

Infine, gli autori racchiudono l’intero processo — dalla generazione di versanti sintetici e dall’esecuzione dei calcoli di Morgenstern–Price all’addestramento, valutazione e selezione del miglior modello di machine learning — in una pipeline riutilizzabile basata su Python. Questo framework automatizzato può stimare molto rapidamente la sicurezza dei versanti attraverso vaste combinazioni di suolo, geometria, acqua e condizioni sismiche, rendendolo utile per screening di progettazione, esplorazione di scenari “what-if” o per supportare strumenti decisionali in tempo reale. Tuttavia, il sistema è valido solo nella misura delle assunzioni che lo sottendono: i versanti sono trattati come bidimensionali e composti da suolo uniforme, e il machine learning impara a imitare il metodo di Morgenstern–Price, non a prevedere direttamente le prestazioni reali sul campo. Gli autori quindi considerano il loro lavoro come uno strumento di supporto decisionale rapido e scalabile che completa, e non sostituisce, simulazioni numeriche dettagliate e indagini specifiche sul sito.

Citazione: Showkat, M., Ghani, S., Paramasivam, P. et al. Automated slope stability assessment using modified Morgenstern-Price method and machine learning integration. Sci Rep 16, 9952 (2026). https://doi.org/10.1038/s41598-026-38670-w

Parole chiave: stabilità dei versanti, rischio frane, ingegneria geotecnica, machine learning, pericoli sismici