Metodo basato sull’apprendimento automatico per determinare i parametri regionali del modello HSS: uno studio di caso a Qingdao, Cina

Perché gli scavi urbani necessitano di strumenti più intelligenti

Quando gli ingegneri scavano fosse profonde per cantine, stazioni della metropolitana o parcheggi sotterranei in città affollate, anche pochi millimetri di movimento del terreno inatteso possono causare crepe negli edifici vicini o danneggiare tubature interrate. Per proteggere persone e infrastrutture, gli ingegneri si affidano a modelli al calcolatore che prevedono come il terreno si deformerà durante lo scavo. Questo articolo mostra come l’apprendimento automatico possa ridurre drasticamente tempo e costi necessari per tarare uno dei più avanzati modelli del terreno per una città costiera in Cina, pur mantenendo una corrispondenza con le misurazioni reali con precisione notevole.

Come gli ingegneri stimano normalmente il comportamento del terreno

I cantieri moderni spesso utilizzano il metodo degli elementi finiti, una tecnica numerica che suddivide il terreno e le strutture di sostegno in molti piccoli elementi e calcola come ciascuno si deforma al variare dei carichi. Per funzionare bene, questo approccio richiede una descrizione realistica del comportamento del terreno, specialmente per scavi profondi circondati da edifici alti e servizi sotterranei. Un’opzione ampiamente apprezzata è il modello “hardening soil small‑strain” (HSS), che cattura come la rigidezza del terreno cambia in funzione della storia degli stress e per movimenti molto piccoli. Tuttavia, questo modello richiede molti parametri in ingresso, e alcuni di essi variano fortemente da luogo a luogo. Tradizionalmente, questi parametri si ottengono tramite prove di laboratorio specializzate su campioni di terreno, che sono costose e richiedono tempo. Di conseguenza, i modelli più accurati sono spesso sottoutilizzati nei progetti quotidiani.

Individuare quali numeri del terreno contano davvero

Gli autori hanno prima analizzato dati di prova pubblicati provenienti da diverse città cinesi per comprendere quali parametri del modello avanzato controllano realmente come si deforma uno scavo profondo. Hanno confrontato valori chiave di rigidezza con una quantità più familiare, il modulo di compressione, e hanno esaminato questi rapporti per tipi di terreno comuni come riporto, argilla limosa e sabbia medio‑fine. Due misure di rigidezza legate al comportamento in compressione di routine sono risultate vicine a un rapporto uno a uno con il modulo di compressione e hanno mostrato bassa sensibilità al movimento della fossa. Al contrario, altre due misure di rigidezza – una legata alla risposta elastica del terreno quando i carichi vengono rimossi e una relativa al comportamento a deformazioni molto piccole – variavano ampiamente tra le regioni ed esercitavano una forte influenza sugli spostamenti previsti. Questa intuizione ha permesso al team di trattare alcuni parametri come quasi fissi concentrando l’attenzione su quelli pochi che governano davvero la deformazione locale.

Addestrare una rete neurale a interpretare il comportamento della fossa

Con queste informazioni, i ricercatori hanno utilizzato un grande scavo di fondazione a Qingdao come banco di prova. I terreni del sito comprendevano riporto, argilla limosa e sabbia medio‑fine poggianti su granito alterato. Hanno progettato un insieme sistematico di combinazioni di parametri per le due rigidezze sensibili in ciascuno strato di terreno e hanno eseguito una serie di simulazioni tridimensionali dello scavo. Per ogni combinazione hanno registrato quanto si flettevano i paramenti di contenimento e quanto si assestava la superficie del terreno in punti di monitoraggio selezionati. Queste coppie di input e output hanno formato un dataset per addestrare una rete neurale a retropropagazione, un modello di apprendimento automatico relativamente semplice che impara a collegare cause ed effetti. Dopo l’addestramento, la rete poteva prendere pochi movimenti misurati delle pareti e del terreno dal sito reale e inferire rapidamente quali parametri di rigidezza del terreno dovevano averli generati.

Verifica del metodo su cantieri reali

Per verificare l’affidabilità di questo “detective del terreno” virtuale, gli autori hanno applicato i valori di rigidezza così inferiti a due scavi profondi indipendenti a Qingdao che utilizzavano pali e tiranti di ancoraggio. Hanno costruito modelli numerici con i parametri appena ottenuti e confrontato le deflessioni delle pareti e gli assestamenti superficiali previsti con i dati di monitoraggio raccolti in cantiere durante la costruzione. Le differenze sono risultate sorprendentemente piccole: gli errori medi assoluti tipici erano inferiori a mezzo millimetro, e gli errori quadratici medi erano altrettanto esigui. In altre parole, le simulazioni riproducevano il comportamento osservato degli scavi con un livello di accuratezza più che sufficiente per le verifiche di sicurezza ingegneristiche e per l’affinamento del progetto.

Cosa significa questo per una costruzione sotterranea più sicura ed economica

Per i non specialisti, il messaggio chiave è che lo studio dimostra come una modesta quantità di monitoraggio in sito, combinata con simulazioni progettate con cura e una rete neurale, possa sostituire molte tornate di costose prove di laboratorio. Isolando le poche proprietà del terreno che contano di più e permettendo all’apprendimento automatico di tararle per adattarsi alle deformazioni reali, gli ingegneri possono adottare modelli del terreno più sofisticati senza sforzi proibitivi. Per i terreni tipici di Qingdao, gli autori forniscono persino rapporti pronti all’uso tra le rigidezze sensibili e le misure standard di compressione, offrendo ai progettisti una scorciatoia pratica. Più in generale, l’approccio indica un futuro in cui la costruzione sotterranea è guidata da modelli localmente calibrati e basati sui dati, che migliorano i margini di sicurezza contenendo al tempo stesso costi e tempi dei progetti.

Citazione: Yuan, C., Zhang, Q., Feng, H. et al. Machine learning-based method for determining regional parameters of the HSS model: a case study of Qingdao, China. Sci Rep 16, 13124 (2026). https://doi.org/10.1038/s41598-026-43150-2

Parole chiave: scavo profondo, modellazione del terreno, apprendimento automatico, reti neurali, deformazione del terreno