Analisi di correlazione tra la collassabilità del loess e indici fisico-meccanici nella regione del Longdong e previsione del coefficiente di collassabilità basata sul machine learning

Perché il cedimento del terreno influenza la vita quotidiana

In molte aree della Cina settentrionale, città, strade e canali sono costruiti su un suolo eolico chiamato loess. Questo materiale può compattarsi improvvisamente quando si bagna, causando cedimenti del terreno e danni a edifici e infrastrutture. Lo studio qui riassunto esamina il loess nella regione del Longdong e mostra come misure semplici e il moderno machine learning possano rapidamente segnalare dove il terreno è probabile che rimanga stabile e dove potrebbe collassare.

Suolo fragile sotto città in espansione

La regione del Longdong si trova nel cuore dell’Altopiano del Loess, dove gli strati di loess possono raggiungere decine di metri di spessore. Con l’espansione di nuovi progetti come opere di derivazione idrica, ferrovie e insediamenti residenziali, gli ingegneri devono comprendere la probabilità che il terreno si assesti quando si inumidisce. Le prove tradizionali sulla collassabilità richiedono lavoro di laboratorio accurato su molti campioni e prendono tempo. Gli autori hanno raccolto 259 registrazioni di prove reali da cantieri attorno alla città di Qingyang, ognuna comprendente il collasso misurato del suolo insieme a proprietà fisiche di base come profondità, densità, porosità, contenuto d’acqua e la facilità di compressione del terreno.

Indizi semplici del terreno che segnalano pericolo

Utilizzando l’analisi statistica, i ricercatori hanno esaminato come il collasso misurato del loess si relazioni con ciascuna proprietà del terreno. Hanno rilevato che la quantità di spazio vuoto nel suolo, descritta dal "coefficiente di vuoto" (void ratio), ha la correlazione più forte con l’entità del cedimento. Anche la profondità sotto la superficie è importante: gli strati superficiali, sotto minore pressione, sono più sciolti e più soggetti al collasso, mentre gli strati profondi sono naturalmente più compatti. La saturazione dell’acqua e la comprimibilità del suolo giocano ruoli secondari. Dai migliaia di punti dati hanno individuato soglie pratiche. In questa regione, il loess con relativamente pochi pori (coefficiente di vuoto inferiore a 0,960) e sepolto a più di 16 metri raramente mostra collassi dannosi nei test.

Una regola rapida per verifiche sul campo

Sulla base di questi risultati, il team ha proposto una regola di screening rapida per gli ingegneri di campo. Se uno strato di suolo soddisfa entrambe le condizioni — basso coefficiente di vuoto e profondità sufficiente — può essere considerato non collassabile con alta confidenza, riducendo notevolmente la necessità di prove dettagliate in quei punti. Quando hanno verificato questa regola sul dataset originale e su un insieme indipendente di 62 nuovi campioni da siti vicini, ha identificato correttamente il terreno non collassabile in circa il 98 percento dei casi. I pochi campioni mal classificati avevano valori di collasso proprio al confine tra “sicuro” e “non sicuro”, riflettendo la variabilità naturale del loess e delle condizioni di prova.

Insegnare ai computer a leggere il terreno

Per andare oltre le regole semplici, i ricercatori hanno anche addestrato modelli informatici a prevedere il valore esatto di collasso a partire da quattro misure chiave: profondità, coefficiente di vuoto, saturazione d’acqua e comportamento in compressione. Hanno confrontato tre metodi di machine learning popolari — foreste casuali (random forest), gradient boosting estremo (XGBoost) e macchine a vettori di supporto — insieme a una formula più semplice a due parametri. Tutti hanno catturato le tendenze principali, ma il modello di gradient boosting si è distinto per accuratezza e stabilità, riproducendo molto fedelmente i valori di collasso misurati sia sui dati di addestramento sia su quelli di test e classificando correttamente campioni collassabili e non collassabili in oltre il 92 percento dei casi.

Aprire la scatola nera delle previsioni

Poiché gli ingegneri devono fidarsi e comprendere queste previsioni, gli autori hanno applicato uno strumento di interpretazione noto come SHAP per vedere come ciascun input influisce sull’output del modello. Le spiegazioni hanno confermato che coefficiente di vuoto e profondità dominano la previsione, con coefficiente di vuoto più elevati e profondità minori che spingono il modello verso valori di collasso maggiori. Saturazione d’acqua e coefficiente di comprimibilità hanno effetti più sottili che variano caso per caso. L’analisi ha inoltre evidenziato una combinazione particolarmente rischiosa: strati meno profondi di circa 11 metri con coefficiente di vuoto superiore a 1,02 sono particolarmente propensi a collassare se inumiditi.

Cosa significa costruire sul loess

In termini semplici, questa ricerca mostra che poche misure elementari del suolo possono rivelare molto sulla sicurezza della costruzione sul loess. Una regola semplice basata su profondità e spazio poroso può rapidamente segnalare gli strati molto improbabili a collassare, mentre un modello di machine learning ben testato può fornire stime di rischio più precise quando necessario. Insieme, questi strumenti offrono agli ingegneri della regione del Longdong un modo più rapido e trasparente per progettare fondazioni, ridurre sorprese costose e realizzare strutture che possano rimanere stabili su un terreno naturalmente fragile.

Citazione: Liu, D., Wang, K., Bian, Y. et al. Correlation analysis between the collapsibility of loess and physicomechanical indices in Longdong region and prediction of the collapsibility coefficient based on machine learning. Sci Rep 16, 15939 (2026). https://doi.org/10.1038/s41598-026-45254-1

Parole chiave: collassabilità del loess, meccanica dei terreni, machine learning, ingegneria delle fondazioni, regione del Longdong