Framework di machine learning con ensemble impilato ottimizzato secondo Pareto per prevedere la capacità portante di pali battuti a partire dai dati di prove di carico statiche

Perché fondamenta solide sono importanti

Ogni edificio, ponte o turbina eolica dipende in ultima analisi da ciò che si trova sotto di esso. Nascosti sotto la superficie, lunghi elementi in calcestruzzo chiamati pali trasferiscono il peso delle strutture verso terreni o rocce più consistenti. Se gli ingegneri sottostimano quanto carico questi pali possono sostenere in sicurezza, il risultato può essere assestamento, fessurazioni o addirittura cedimenti. Se lo sopravvalutano, i progetti diventano inutilmente costosi. Questo studio esplora come il machine learning moderno possa trasformare test di cantiere di routine in previsioni molto più accurate della resistenza dei pali, contribuendo a rendere le costruzioni sia più sicure sia più economiche.

Dalle regole semplici all’intuito guidato dai dati

Tradizionalmente gli ingegneri si sono affidati a formule, esperimenti su piccola scala e simulazioni numeriche per stimare la capacità portante dei pali battuti. Questi metodi funzionano ragionevolmente bene, ma faticano a gestire la realtà complessa di terreni stratificati, acque sotterranee ed effetti legati all’installazione. Una prova in sito nota come prova di carico statica è considerata lo standard d’oro: un palo viene caricato per gradi mentre si misura il suo assestamento. Tuttavia questo approccio è lento, costoso e difficile da ripetere in molte posizioni. Allo stesso tempo, nella pratica geotecnica si raccolgono routinariamente dati semplici di colpi di martello dalla prova di penetrazione standard, o SPT, che fornisce una misura approssimativa della resistenza del terreno con la profondità. L’idea centrale di questo lavoro è usare il machine learning per collegare questi risultati SPT ampiamente disponibili, insieme alla geometria del palo e ai dettagli del sito, direttamente agli esiti di alta qualità delle prove di carico.

Costruire un motore di previsione più intelligente

Gli autori hanno compilato un database di 472 prove di carico statiche su pali prefabbricati in cemento armato battuti in una provincia vietnamita con condizioni del terreno varie ma documentate in modo sistematico. Per ogni prova hanno registrato il diametro del palo, lo spessore di diversi strati di terreno, le quote del terreno e del palo, la profondità della punta del palo e i conteggi medi SPT lungo l’asta del palo e alla punta. Questi input catturano sia la dimensione del palo sia la resistenza del terreno circostante, che insieme determinano quanto carico il palo può sopportare. L’obiettivo era addestrare un modello che, dato questi input per un nuovo sito, fornisse una stima affidabile della capacità portante assiale del palo senza la necessità di una prova di carico su scala reale.

Combinare più menti in una sola

Piuttosto che affidarsi a un singolo algoritmo, lo studio utilizza un ensemble “impilato”: tre diversi modelli di machine learning — random forest, k-nearest neighbors ed extreme gradient boosting — sono addestrati in parallelo e le loro predizioni vengono quindi combinate da un modello di secondo livello. Questo meta-modello è ottimizzato usando una ricerca multi-obiettivo ispirata a strategie evolutive, nota come ottimizzazione di Pareto. L’ottimizzazione bilancia obiettivi in competizione: massimizzare la precisione sui dati non visti evitando l’overfitting. Attraverso test ripetuti e una validazione incrociata a cinque fold, la migliore combinazione ha raggiunto un coefficiente di determinazione (una misura di quanto le previsioni corrispondono alla realtà) di circa 0,95 sul set di test, insieme a un errore sostanzialmente ridotto rispetto a qualsiasi singolo modello da solo.

Guardare dentro la scatola nera

Per rendere il sistema utilizzabile nella pratica, gli ingegneri devono capire cosa guida le sue predizioni. Gli autori hanno quindi impiegato strumenti moderni di interpretabilità, in particolare SHAP (Shapley Additive ExPlanations), analisi di sensitività e semplici esplorazioni parametriche. Questi hanno rivelato che il diametro del palo è il fattore singolo più influente, con variazioni del diametro che spostano fortemente la capacità prevista. Anche le proprietà del terreno giocano un ruolo chiave: i conteggi SPT medi lungo l’asta del palo e alla punta emergono come contributori principali, rispecchiando l’importanza sia dell’attrito laterale sia della resistenza di punta. Lo spessore degli strati superficiali del terreno è rilevante, mentre alcune variabili legate alle quote hanno solo un impatto minore. Quando gli input del modello vengono variati in modi fisicamente significativi — per esempio aumentando il diametro del palo o posizionando la punta in un terreno più compatto — le capacità previste rispondono in linea con i principi geotecnici di base, suggerendo che il modello sta apprendendo pattern sensati piuttosto che correlazioni spurie.

Come questo aiuta i progetti reali

Miscelando con cura diversi approcci di machine learning e ottimizzandoli rispetto a obiettivi multipli, questo lavoro fornisce uno strumento di previsione sia accurato sia interpretabile. Per siti con geologia e pratiche di prova simili a quelle dello studio, gli ingegneri potrebbero usare dati SPT standard e parametri di progetto per ottenere stime affidabili della capacità dei pali, ridurre il numero di costose prove di carico e mirare meglio i margini di sicurezza. Gli autori avvertono che i loro dati provengono da una singola regione e che gli effetti temporali a lungo termine e alcuni dettagli di posa non sono completamente catturati, quindi il giudizio professionale e la calibrazione locale restano essenziali. Anche così, il framework mostra come i modelli guidati dai dati, quando analizzati in modo trasparente, possano diventare partner pratici nella progettazione delle fondazioni piuttosto che scatole nere opache.

Citazione: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

Parole chiave: fondazione su pali, capacità portante, ingegneria geotecnica, machine learning, prova di carico statica