Clear Sky Science · it

Predizione del volume di iniezione della curtain grouting mediante un modello ensemble stacking ottimizzato bayesianamente con analisi SHAP

2026-04-01 · Torna all'indice

Perché è importante prevedere un lavoro cementizio nascosto

In profondità sotto dighe e tunnel, gli ingegneri iniettano cemento liquido nelle fratture della roccia per impedire che l'acqua filtrii. Questo processo, chiamato grouting, è costoso e difficile da osservare direttamente, quindi gli operatori devono stimare quanto materiale pompare in ciascun foro di perforazione. Se si sottostima, l'acqua può continuare a filtrare; se si sovrastima, si sprecano denaro, materiali e tempo. Questo studio mostra come gli strumenti moderni basati sui dati possono aiutare gli ingegneri a prevedere in modo più affidabile la quantità corretta di malta prima dell'avvio dei lavori.

Sigillare le fessure nei grandi progetti idrici

Grandi dighe e cavità sotterranee si affidano a curtain di malta indurita per bloccare i percorsi sotterranei che l'acqua altrimenti userebbe per fuoriuscire. Gli operatori praticano molti fori nella roccia e pompano una sospensione cementizia, ma la roccia sotto la superficie è irregolare, con fratture di dimensioni e connettività variabili. Poiché il processo è nascosto e le condizioni cambiano da un punto all'altro, prevedere il volume di malta necessario per ogni foro è da tempo una sfida importante per la progettazione sicura e il controllo dei costi nei grandi progetti idrici e idroelettrici.

Dalle regole pratiche all’apprendimento dai dati

Per decenni gli ingegneri hanno usato formule semplificate, confronti con progetti passati o simulazioni numeriche del flusso per stimare l'uso della malta. Questi approcci sono stati utili ma spesso hanno faticato di fronte a rocce reali complesse e misurazioni di campo rumorose. In questo studio gli autori si sono invece rivolti al machine learning, che apprende i pattern direttamente dai dati. Hanno raccolto 778 registrazioni reali di grouting da un grande progetto idrico nello Xinjiang, ognuna descrivente le condizioni in un foro di perforazione: la posizione nell'ordine di perforazione, la profondità, la lunghezza della sezione trattata, la larghezza del foro, la permeabilità iniziale della roccia, la miscela iniziale acqua-cemento e la pressione impiegata durante il grouting. L'esito da prevedere era il volume effettivo di malta pompata.

Figure 1. Come i modelli guidati dai dati prevedono l'uso di malte sotto dighe per controllare le perdite d'acqua e ridurre i costi.

Combinare più modelli intelligenti in uno solo

Invece di affidarsi a un singolo algoritmo, il team ha usato una strategia chiamata stacking, che permette a diversi modelli di previsione di lavorare insieme. Sono stati scelti tre modelli informatici particolarmente adatti a gestire pattern complessi su dati tabulari come primo livello. Ognuno ha analizzato gli stessi sette fattori in ingresso e ha prodotto la propria stima del volume di malta. Un modello di regressione semplice ma controllato ha quindi preso queste tre stime e le ha fuse in una previsione finale. Per assicurare che ciascun modello utilizzasse al meglio i propri parametri interni, i ricercatori hanno applicato l'ottimizzazione bayesiana, un metodo che esplora e ottimizza molte combinazioni di parametri in modo organizzato e guidato dai dati, invece che per tentativi casuali.

Verificare l'accuratezza e aprire la scatola nera

Per testare l'approccio, gli autori hanno confrontato il modello stacking con i tre modelli componenti singoli, sia prima sia dopo la messa a punto. Hanno misurato quanto le previsioni si avvicinassero ai volumi reali usando misure standard di errore. Il modello stacked con ottimizzazione bayesiana ha dato le prestazioni migliori, spiegando circa il 92% della variazione del volume di malta mantenendo errori medi relativamente bassi.

Figure 2. Come modelli di machine learning combinati trasformano le condizioni della roccia e della perforazione in pattern accurati del volume di malta.

Per comprendere come il modello arrivasse alle sue decisioni, hanno usato una tecnica chiamata SHAP che assegna a ciascun fattore di ingresso un contributo a ogni previsione. Questa analisi ha mostrato che la permeabilità originale della roccia, una misura di quanto facilmente l'acqua scorre attraverso di essa, è risultata di gran lunga il fattore più influente, con l'ordine di perforazione, la pressione e la profondità che giocano ruoli importanti.

Cosa significa per il grouting nel mondo reale

Lo studio conclude che un modello di machine learning stacking accuratamente ottimizzato può fornire previsioni del volume di malta più accurate e stabili rispetto a modelli individuali o a metodi basati su regole tradizionali, almeno per il progetto analizzato. Quantificando quali condizioni sono più rilevanti e come interagiscono, l'approccio può aiutare gli ingegneri a progettare strategie di perforazione e pompaggio, allocare materiali e gestire i rischi in modo più efficiente in condizioni di terreno complesse. Pur necessitando di ulteriori test e adattamenti per altri siti, offre un percorso pratico verso un controllo informato dai dati di questa parte cruciale ma in gran parte nascosta della costruzione di dighe e tunnel.

Citazione: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

Parole chiave: curtain grouting, predizione volume di grouting, machine learning, ottimizzazione bayesiana, analisi SHAP