Approccio combinato apprendimento automatico - fisica 3D per la valutazione dei danni agli edifici: il caso de L’Aquila 2009

Perché questo conta per chi vive in zone sismiche

Dopo un forte terremoto, la domanda più urgente è quali edifici sono sicuri da rientrare e quali invece devono rimanere inaccessibili. Tradizionalmente ciò richiede ispezioni lente sul posto e si basa su mappe di scuotimento di ampia scala che possono trascurare particolarità locali del territorio e dell’assetto urbano. Questo studio si concentra sul devastante sisma del 2009 a L’Aquila, Italia, e mostra come la combinazione di modelli informatici avanzati dello scuotimento con l’intelligenza artificiale possa aiutare a individuare rapidamente gli edifici maggiormente danneggiati e a prepararsi meglio per i terremoti futuri.

Uno sguardo ravvicinato su una città italiana

Gli autori usano L’Aquila come caso di studio reale perché la scossa principale è stata intensa, ben registrata e ampiamente studiata, e perché la geologia della città è stata mappata con dettaglio eccezionale. Lavorano con dati su circa 3.000 edifici il cui danno è stato accuratamente surveyato dopo il sisma di magnitudo 6.1. Per ogni struttura conoscono non solo l’entità del danno, ma anche come è stata costruita, quanto è grande, quando è stata realizzata e dove si trova rispetto alla faglia e al terreno locale. Questo quadro ricco consente di esplorare quali fattori realmente determinano se un edificio sopporta un sisma con lievi danni o viene portato sull’orlo del collasso.

Simulare il sottosuolo per migliorare le stime di scuotimento

Gli strumenti standard per i danni da terremoto spesso partono dalle ShakeMap, che fondono un numero limitato di stazioni a terra con formule semplificate per stimare quanto ha tremato il suolo in una regione. Il team invece costruisce un dettagliato modello digitale tridimensionale della crosta e delle conche sedimentarie attorno a L’Aquila, fino a circa 20 chilometri di profondità e estendendo per circa 60 chilometri in ciascuna direzione orizzontale. Utilizzando calcolo ad alte prestazioni e un codice specializzato, simulano come le onde sismiche si sono propagate dalla faglia attraverso questo complesso paesaggio sotterraneo. Estendono poi queste simulazioni per coprire sia le basse sia le alte frequenze del moto, producendo misure realistiche di quanto rapidamente il suolo si è mosso e con quanta accelerazione violenta in migliaia di punti dove gli edifici sono effettivamente situati.

Insegnare a una foresta digitale a riconoscere i danni

Dotati di questo quadro edificio per edificio dello scuotimento, i ricercatori addestrano modelli di apprendimento automatico—specificamente, insiemi di alberi decisionali noti come random forest—per prevedere i livelli di danno. Per rendere il problema più gestibile, raggruppano i sei gradi di danno originali in due o tre classi più ampie, come “lieve contro moderato-grave” o “lieve-moderato contro grave”. Ogni modello vede una miscela di caratteristiche legate all’edificio (come altezza, superficie coperta ed età) e caratteristiche del sito (come distanza dalla faglia e proprietà del terreno locale), insieme a misure di scuotimento derivate dalle simulazioni fisiche oppure prese dalle ShakeMap. Gestiscono anche informazioni mancanti, come anni di costruzione sconosciuti, usando strategie attente di riempimento dei dati e bilanciano la dimensione delle classi diseguali con esempi sintetici in modo che i casi rari ma importanti di danno grave non vengano ignorati.

Cosa rivelano i modelli sul rischio

L’analisi mostra che i predittori più influenti del danno sono l’area media di superficie dell’edificio o del blocco, la distanza dalla parte della faglia dove si è verificato il maggior scivolamento, la rigidità locale del terreno e—crucialmente—le misure di scuotimento calcolate dalle simulazioni basate sulla fisica. Al contrario, i valori analoghi derivati dalle ShakeMap risultano a malapena tra le variabili principali. Quando i modelli si basano sullo scuotimento simulato, raggiungono accuratezze dell’ordine dell’80 percento per i problemi più semplici a due classi e si comportano in modo robusto su un set di test separato di edifici non visto prima. Questo suggerisce che catturare il percorso tridimensionale reale delle onde sismiche, invece di smussarlo con formule regionali ampie, può affinare sostanzialmente la nostra capacità di distinguere strutture leggermente danneggiate da quelle seriamente compromesse.

Cosa significa per i terremoti futuri

Per i non specialisti, la conclusione principale è che associare simulazioni realistiche di come il suolo si muove veramente con algoritmi moderni di riconoscimento di pattern può trasformare misure sparse e registri degli edifici in uno strumento pratico per la risposta alla crisi. In un futuro terremoto, un sistema costruito su questi principi potrebbe evidenziare rapidamente i quartieri dove è più probabile si verifichi danno grave, guidando le ispezioni, la pianificazione dei rifugi e la ricostruzione a più lungo termine. Gli autori avvertono che il loro modello attuale è tarato su una specifica regione e sul patrimonio edilizio locale, e deve essere testato e adattato prima di essere usato altrove. Tuttavia, i risultati indicano un futuro in cui copie digitali dettagliate del sottosuolo, combinate con modelli intelligenti basati sui dati, aiutano le comunità a comprendere e gestire meglio il proprio rischio sismico.

Citazione: Di Michele, F., Pera, D., Mazzieri, I. et al. Combined machine learning - 3D physics based approach for building damage evaluation: the case of L’Aquila 2009. Sci Rep 16, 10919 (2026). https://doi.org/10.1038/s41598-026-45377-5

Parole chiave: danni da terremoto, apprendimento automatico, simulazione basata sulla fisica, rischio degli edifici, L’Aquila 2009