Un modello IGWO-MKRVM interpretabile per prevedere lo spessore della zona danneggiata dall’escavazione di una galleria

Perché le gallerie più sicure sono importanti

Ogni volta che gli ingegneri scavano una galleria nella roccia, l’escavazione altera il terreno circostante. Si forma un anello di roccia incrinata e indebolita intorno all’apertura, noto come zona danneggiata dall’escavazione. Se questo anello danneggiato diventa troppo spesso, le pareti della galleria possono deformarsi o addirittura collassare, mettendo a rischio gli addetti, le infrastrutture e le comunità vicine. L’articolo qui riassunto presenta un nuovo metodo per prevedere quanto sarà spesso tale zona danneggiata in diverse condizioni geologiche, utilizzando una combinazione di apprendimento automatico moderno e cura dell’interpretabilità, così che gli ingegneri possano comprendere non solo le previsioni ma anche le ragioni sottostanti.

L’anello nascosto di roccia indebolita

I drifti e le gallerie sotterranee sono circondati da roccia che è stata compressa e fratturata dall’escavazione. Questo strato interessato, lo spessore della zona danneggiata dall’escavazione, determina direttamente quanto supporto sia necessario per mantenere la galleria sicura. Ma lo spessore dipende da diversi fattori interagenti: quanto è resistente la roccia, quanto è frammentata per giunti e fratture, la profondità rispetto alla superficie e la luce della galleria. Queste influenze sono fortemente non lineari e variano da sito a sito, quindi formule semplici o anche sofisticate simulazioni spesso non riescono a fornire previsioni accurate e ampiamente applicabili. Prove tradizionali in campo come radar a penetrazione del suolo e indagini acustiche possono misurare la zona danneggiata, ma sono costose e difficili da eseguire routinariamente.

Usare algoritmi intelligenti per leggere la roccia

Per affrontare questa sfida, gli autori hanno raccolto 209 misure reali di spessore della zona danneggiata provenienti da diversi tipi di miniere, incluse operazioni di carbone, oro, fosfato e piombo. Per ogni caso hanno registrato quattro input chiave: resistenza della massa rocciosa, un indice di giunti che descrive quanto sono frammentati i blocchi rocciosi, la profondità della galleria e la luce della galleria. Hanno quindi costruito un modello predittivo che combina un potente motore di riconoscimento di pattern, chiamato macchina vettoriale di rilevanza multi-kernel, con un metodo di ottimizzazione migliorato ispirato al comportamento di caccia dei lupi grigi. Il passo di ottimizzazione regola i parametri interni del modello in modo che possa adattarsi al meglio alle complesse relazioni nei dati rimanendo efficiente per dataset ingegneristici di piccole dimensioni.

Come il modello ibrido migliora le previsioni

Il nucleo dell’approccio risiede nell’usare più “lenti” matematiche semplici, o kernel, contemporaneamente per catturare sia le tendenze generali sia le variazioni locali più sottili della risposta della roccia. Il modello combina kernel lineari, radiali e laplaciani così da poter gestire insieme cambiamenti graduali, salti improvvisi e misurazioni rumorose. L’ottimizzatore grey wolf migliorato potenzia questo approccio esplorando lo spazio delle possibili impostazioni di parametri in modo più approfondito. Usa punti di partenza casuali progettati con attenzione, un modo non lineare di passare dalla ricerca ampia alla rifinitura e una strategia che propone soluzioni candidate opposte per evitare di restare bloccato in scelte locali di scarso valore. Test su problemi benchmark standard mostrano che questo ottimizzatore migliorato converge più rapidamente e in modo più affidabile rispetto a diversi altri algoritmi moderni di sciame ed evolutivi.

Sorpassare gli strumenti di previsione esistenti

Applicato al dataset delle gallerie, il modello integrato IGWO–MKRVM ha fornito previsioni molto accurate. Su casi di test non visti ha raggiunto un coefficiente di determinazione superiore a 0,95 e misure di errore molto basse, il che significa che lo spessore della zona danneggiata previsto corrispondeva da vicino alle misure di campo. Gli autori lo hanno confrontato con una serie di strumenti consolidati, incluse reti neurali classiche, regressione a processi gaussiani, ibridi basati su support vector e una foresta casuale ottimizzata. In ogni caso il nuovo modello ha prodotto errori più piccoli e prestazioni più stabili, dimostrando sia una forte capacità di adattamento sia una robusta generalizzazione a nuove condizioni geologiche.

Aprire la scatola nera dell’apprendimento automatico

Poiché gli ingegneri devono giustificare le decisioni di sicurezza, gli autori si sono anche concentrati sul rendere il modello interpretabile. Hanno utilizzato un moderno framework di spiegazione chiamato SHAP, che tratta ogni input come un “giocatore” in un gioco cooperativo e calcola quanto contribuisce a ciascuna previsione. Questa analisi ha rivelato che l’indice di giunti e la profondità della galleria sono i fattori dominanti nello spessore della zona danneggiata: rocce fortemente giuntate e gallerie più profonde tendono a generare anelli danneggiati molto più spessi. Anche la luce della galleria e la resistenza della roccia influenzano il fenomeno, ma in misura minore—luc i maggiori aumentano i danni, mentre rocce più resistenti tendono a contenerli. Il metodo mette inoltre in luce come questi fattori interagiscono, ad esempio mostrando che gallerie profonde in rocce deboli e fortemente giuntate sono particolarmente vulnerabili.

Cosa significa per la sicurezza sotterranea

In termini pratici, lo studio offre agli ingegneri un calcolatore più intelligente per prevedere quanto il danno si estenderà nella roccia intorno a una galleria, e una spiegazione chiara di quali condizioni peggiorano quel danno. Combinando un motore di apprendimento accuratamente sintonizzato con un’analisi trasparente dell’importanza delle caratteristiche, il metodo non solo supera i modelli esistenti ma costruisce anche fiducia nelle sue raccomandazioni. Questo può aiutare i progettisti a scegliere forme di galleria, sistemi di supporto e strategie di scavo più sicure, adattate alla geologia locale, riducendo infine il rischio di caduta di massi e crolli nelle opere sotterranee.

Citazione: Yang, R., Zhang, G., Ye, Y. et al. An interpretable IGWO-MKRVM model for predicting excavation damaged zone thickness of drift. Sci Rep 16, 13548 (2026). https://doi.org/10.1038/s41598-026-42835-y

Parole chiave: stabilità delle gallerie, meccanica delle rocce, apprendimento automatico, estrazione mineraria sotterranea, sicurezza geotecnica