Predizione della curva backbone per colonne in calcestruzzo armato corrosi basata su ensemble learning utilizzando un database sperimentale

Perché le colonne invecchiate contano

Molti dei ponti e degli edifici su cui facciamo affidamento ogni giorno poggiano su colonne in calcestruzzo armato che, con il passare dei decenni, si arrugginiscono silenziosamente. Il sale usato per lo spargimento sulle strade, gli spruzzi marini e l’aria inquinata possono lentamente corrodere l’acciaio nascosto all’interno, indebolendo questi elementi portanti proprio nel momento in cui potrebbero dover resistere a eventi sismici. Questo articolo presenta un nuovo approccio che sfrutta grandi quantità di dati sperimentali e il moderno machine learning per prevedere il comportamento di tali colonne danneggiate durante forti scosse, aiutando gli ingegneri a decidere quando riparare, rinforzare o sostituire gli elementi.

Come la ruggine modifica la storia della resistenza

Quando l’acciaio all’interno di una colonna in calcestruzzo si corrode, la ruggine occupa più volume del metallo originale. Questa espansione provoca fessurazioni nel calcestruzzo circostante, prima come linee interne sottili e poi come fenditure e distacchi visibili. Allo stesso tempo, le barre d’acciaio perdono sezione efficace, resistenza e duttilità, e il loro ancoraggio al calcestruzzo si indebolisce. Sottoposte a sollecitazioni risonanti di tipo sismico, le colonne integre tracciano ampi anelli tondeggianti su un grafico forza–spostamento, mostrando una significativa capacità di assorbimento energetico. Le colonne corrose, al contrario, descrivono anelli più stretti e pinzati e perdono resistenza più rapidamente dopo il primo snervamento, segnalando un comportamento più fragile e meno tollerante che può rendere le strutture più vulnerabili al collasso.

Dai test sparsi a un quadro unico

Ricercatori di tutto il mondo hanno testato singole colonne corrose in diversi laboratori, impiegando una grande varietà di dimensioni, disposizioni delle barre, materiali, livelli di corrosione e condizioni di carico. Questo studio unisce 200 di tali provini in un unico database sperimentale che copre intervalli realistici di geometria della colonna, resistenza dell’acciaio e del calcestruzzo, carico assiale e corrosione misurata sia delle barre principali sia delle staffe. Invece di ridurre il comportamento di ogni colonna a pochi punti ideali, gli autori estraggono la curva backbone completa — l’inviluppo liscio che descrive come la resistenza laterale cresce, raggiunge il picco e poi decresce mentre la colonna oscilla. Utilizzano quindi queste curve misurate come bersagli per modelli guidati dai dati che apprendono direttamente dagli esperimenti, anziché da formule predefinite.

Addestrare le macchine a leggere il danno

Il team allena diversi metodi di ensemble learning — famiglie di molti piccoli alberi decisionali che votano insieme — per prevedere tappe chiave lungo la backbone di ciascuna colonna: la resistenza al primo snervamento, la resistenza di picco e la resistenza residua dopo danni severi. Usando una parte del database per l’addestramento e tenendo il resto per i test, ottimizzano i modelli con una ricerca bayesiana in modo da cogliere pattern generali senza memorizzare i singoli provini. Tra gli approcci testati, un modello di extreme gradient boosting si dimostra il più affidabile, raggiungendo alta accuratezza per le fasi di snervamento, picco e residua e, cosa cruciale, riproducendo il marcato ammorbidimento post‑picco che i modelli semplici e idealizzati spesso mancano o sottostimano.

Capire quali dettagli contano di più

Per andare oltre una previsione a scatola nera, gli autori applicano una tecnica chiamata SHAP, mutuata dalla teoria dei giochi, per misurare quanto ciascun fattore di input incide sulla spinta verso l’alto o verso il basso della resistenza prevista. Riscontrano che la forma e le proporzioni di base — come la campata a taglio e la profondità complessiva della colonna — insieme alla ridotta resistenza delle barre d’acciaio, sono i fattori più importanti al primo snervamento e al picco di resistenza. Con l’avanzare del danno, diventano più critici gli elementi collegati alla confinazione e alla modalità di collasso, riflettendo come crettature, schiacciamento e presso‑inflessione delle barre soppiantino la semplice geometria. Questo tipo di intuizione permette agli ingegneri di capire se la debolezza di una colonna derivi principalmente da elevato carico assiale, da dettagli costruttivi inadeguati o da corrosione severa, guidando interventi di rinforzo più mirati.

Cosa significa per la sicurezza quotidiana

In termini pratici, lo studio dimostra che un modello di machine learning addestrato con cura e trasparente può ricostruire in modo affidabile l’intero percorso forza–spostamento di una colonna in calcestruzzo corrotta utilizzando proprietà misurabili e indicatori di corrosione. Rispetto alle vecchie formule backbone idealizzate, il nuovo approccio cattura meglio la rapidità con cui la resistenza cala dopo il picco, in particolare nei casi fortemente corrosi dove la capacità residua è spesso stata sovrastimata. Questo offre ai proprietari di ponti e edifici un quadro più netto di quanto margine sismico rimanga nei supporti invecchiati e li aiuta a dare priorità agli interventi prima del prossimo grande terremoto, trasformando test di laboratorio sparsi in uno strumento potente per decisioni nel mondo reale.

Citazione: Sadeghi, M., Poorahad, P., Shiravand, M.R. et al. Ensemble learning-based prediction of the backbone curve for corroded reinforced concrete columns using experimental database. Sci Rep 16, 9367 (2026). https://doi.org/10.1038/s41598-026-40488-5

Parole chiave: corrosione del calcestruzzo armato, prestazioni sismiche, machine learning in ingegneria civile, predizione della curva backbone, infrastrutture invecchiate