Sviluppare una funzione di perdita personalizzata per regolamentare la sottostima e la sovrastima delle previsioni delle proprietà meccaniche del calcestruzzo nei modelli di rete neurale

Perché contano previsioni del calcestruzzo più sicure

La maggior parte degli edifici e dei ponti moderni dipende dal calcestruzzo, e gli ingegneri utilizzano sempre più l'intelligenza artificiale per prevederne la resistenza. Tuttavia, mentre le reti neurali standard tendono a essere ugualmente accurate in tutte le direzioni, le strutture reali sono più sicure quando le previsioni sono un po' caute piuttosto che troppo ottimistiche. Questo studio presenta un nuovo modo di addestrare le reti neurali in modo che siano meno propense a sovrastimare la resistenza del calcestruzzo, aiutando gli ingegneri a mantenere un margine di sicurezza confortevole senza rinunciare al potenziale dell'IA.

Bilanciare sicurezza e algoritmi intelligenti

Nella pratica dell'ingegneria civile, le regole di progetto sono scritte in modo conservativo affinché le strutture rimangano sicure anche quando i materiali variano o la costruzione non è perfetta. Sottostimare la resistenza del calcestruzzo di solito comporta sicurezza aggiuntiva, mentre sovrastimarla può erodere silenziosamente i margini di sicurezza. I metodi tradizionali di addestramento delle reti neurali non distinguono tra questi due esiti; cercano semplicemente di ridurre la dimensione complessiva degli errori. Gli autori sostengono che questo sia in contrasto con il modo in cui gli ingegneri valutano il rischio e intendono incorporare direttamente quella preferenza per la sicurezza nel processo di apprendimento.

Una funzione di perdita che privilegia la cautela

Il cuore dello studio è una funzione di perdita personalizzata, una regola che indica alla rete neurale quanto è grave ogni errore durante l'addestramento. Invece di trattare tutti gli errori allo stesso modo, la formula proposta assegna penalità più pesanti quando il modello prevede una resistenza superiore al valore reale e penalità più leggere quando prevede un valore inferiore. Una coppia di parametri di controllo governa questo squilibrio, permettendo di sintonizzare il modello verso sottostime più sicure. La perdita è anche normalizzata in modo da funzionare in modo coerente su dataset e scale diverse, e viene integrata in un setup di rete neurale standard usando strumenti diffusi come TensorFlow o PyTorch.

Testare l'idea sul calcestruzzo gommato

Per valutare come si comporta nella pratica questa regola di addestramento cauta, gli autori si concentrano sul calcestruzzo gommato, un materiale in cui parte della ghiaia è sostituita da pezzi di gomma di scarto. Utilizzando un dataset sperimentale, addestrano diverse reti neurali con la stessa architettura ma funzioni di perdita differenti, incluse scelte comuni come l'errore quadratico medio e l'errore assoluto medio. Confrontano quindi quanto bene ogni modello predice due proprietà meccaniche chiave: la resistenza a compressione, che riflette quanta sollecitazione il calcestruzzo può sopportare, e il modulo di elasticità, che descrive quanto è rigido sotto carico.

Come l'apprendimento conservativo modifica le previsioni

I modelli addestrati con la funzione di perdita personalizzata raggiungono quasi la stessa accuratezza complessiva di quelli che usano funzioni di perdita tradizionali, con livelli di errore di circa il sei percento nella maggior parte dei casi. La differenza cruciale riguarda la frequenza con cui sovrastimano la resistenza reale. Per le funzioni di perdita standard, tra un quarto e quasi tutte le previsioni in alcuni test sono sovrastime. Quando la perdita personalizzata è correttamente tarata, quella percentuale di sovrastima diminuisce drasticamente, fino a circa l'uno percento per la resistenza a compressione e sotto il dieci percento per la rigidezza, pur adattandosi molto bene ai dati. I grafici dei valori predetti rispetto a quelli misurati mostrano i punti del nuovo modello raggrupparsi appena sotto la linea di uguaglianza ideale, riflettendo un bias intenzionale verso una lieve sottostima.

Cosa significa per le strutture reali

Da sola, un modello di previsione cauto non può garantire la sicurezza di un edificio; i progettisti devono ancora seguire i codici, considerare l'armatura, i carichi e la geometria, e verificare il comportamento degli elementi e del sistema. Ma indirizzando le reti neurali lontano da sovrastime non conservative a livello di materiale, questa nuova funzione di perdita aiuta a garantire che le previsioni basate sull'IA entrino in quelle verifiche progettuali con la stessa mentalità di priorità alla sicurezza che sostiene la pratica dell'ingegneria civile. Gli autori considerano il loro lavoro una prova di concetto che può essere estesa a dataset più ampi e a modelli strutturali completi, offrendo un passo pratico verso strumenti di IA che lavorano con, e non contro, le filosofie di sicurezza consolidate.

Citazione: Habib, A., Habib, M., Junaid, M.T. et al. Developing a custom loss function for regulating underestimation and overestimation of concrete mechanical properties predictions in neural network models. Sci Rep 16, 15950 (2026). https://doi.org/10.1038/s41598-026-44200-5

Parole chiave: previsione resistenza del calcestruzzo, reti neurali, funzione di perdita, calcestruzzo gommato, safety strutturale