Classificazione del suolo migliorata dall’IA con dati CPT incompleti per parchi eolici offshore

Perché i suoli del fondale marino sono importanti per l’eolico

Le turbine eoliche offshore operano in alcuni degli ambienti più severi del pianeta, e la loro stabilità dipende da ciò che si trova sotto le onde: i suoli del fondale che sorreggono le loro massicce fondazioni. Indagare questi suoli in acque profonde è costoso e spesso insufficiente, costringendo gli ingegneri a prendere decisioni importanti con informazioni frammentarie. Questo studio mostra come l’intelligenza artificiale possa ricavare senso da dati di prova limitati per classificare in modo affidabile i suoli del fondale, aiutando i progettisti a collocare le turbine offshore in modo più sicuro ed efficiente.

Dalle indagini del fondale ai tipi di suolo

Gli ingegneri sondano comunemente il fondale con prove di penetrazione con cono (CPT), in cui un cono metallico viene spinto nel terreno misurando la resistenza del terreno, l’attrito lungo la guaina e le variazioni della pressione dell’acqua interstiziale. Queste misurazioni sono tradizionalmente interpretate con diagrammi come la classificazione di Robertson, che collega pattern nelle letture a diversi comportamenti del suolo, come sabbia sciolta, argilla rigida o miscele intermedie. Il problema è che questi diagrammi presuppongono dati completi e puliti, condizione raramente raggiunta quando navi, onde e acque profonde complicano le indagini offshore.

Costruire una libreria virtuale di condizioni del fondale

Per affrontare il problema delle informazioni mancanti, i ricercatori hanno prima creato un’enorme libreria virtuale di possibili condizioni del suolo invece di basarsi solo su scarsi test sul campo. Hanno utilizzato intervalli realistici per le misure chiave del cono — resistenza della punta, attrito della guaina, pressione dell’acqua interstiziale e tensioni nel terreno — per generare oltre 200.000 record di prova sintetici. Questi record sono stati quindi tradotti in zone di comportamento del suolo usando il diagramma di Robertson, abbinando così ogni prova simulata a un “etichetta” di suolo. Campionando sia in modo uniforme sugli intervalli sia secondo modelli statistici realistici, hanno garantito che la libreria sintetica coprisse tutto, da argille molto molli a sabbie e ghiaie dense.

Insegnare alle macchine a leggere il fondale

Con questa libreria sintetica, il team ha addestrato diversi modelli di apprendimento automatico per prevedere il comportamento del suolo direttamente dagli input delle prove con cono. Hanno testato foreste casuali (random forest), reti neurali, metodi a vettori di supporto e alberi decisionali, sintonizzando con cura i parametri interni di ciascun modello. Tra questi, il modello random forest si è distinto, eguagliando le zone di suolo basate su Robertson con una corrispondenza numerica quasi perfetta e raggiungendo oltre il 92% di accuratezza quando le sue previsioni sono state convertite in una classificazione standard del suolo. I controlli interni del modello hanno mostrato che resistenza della punta, attrito della guaina e tensione verticale efficace erano gli input più influenti — in linea con la consolidata comprensione geotecnica e a indicare che il modello stava apprendendo fisica reale piuttosto che pattern spurii.

Mantenere l’accuratezza quando mancano dati

La prova cruciale era se l’IA potesse ancora funzionare bene quando alcune misure mancassero, emulando indagini offshore reali in cui l’equipaggiamento guasta o alcuni sensori non sono usati. I ricercatori hanno sistematicamente rimosso ogni input a turno e lo hanno sostituito con valori incerti, quindi hanno eseguito ripetutamente il modello in modo Monte Carlo per osservare come l’accuratezza cambiasse in media. Quando gli input più critici — resistenza del cono, attrito della guaina o tensione efficace — mancavano, l’accuratezza è calata in modo consistente, confermando la loro importanza. Tuttavia, quando venivano assenti altri parametri come le pressioni interstiziali o la tensione totale, il modello manteneva ancora un’elevata accuratezza, spesso oltre il 90%. Ciò mostra che il quadro metodologico può continuare a fornire classificazioni utili anche quando parte del registro CPT è incompleto.

Validare il metodo in parchi eolici offshore reali

Per andare oltre i dati virtuali, il team ha testato il modello random forest addestrato su 229.808 record di prove con cono reali provenienti da 99 perforazioni in siti di parchi eolici offshore a Taiwan e nei Paesi Bassi. Nessuna di queste misurazioni reali era stata usata nell’addestramento. Le previsioni del comportamento del suolo dell’IA sono state confrontate con classificazioni indipendenti basate su un sistema ingegneristico ampiamente usato che raggruppa i suoli per dimensione dei grani e plasticità. Il modello ha correttamente corrisposto queste classificazioni oltre il 92% delle volte, superando diversi approcci di apprendimento automatico esistenti. Simulazioni ripetute hanno anche mostrato che le previsioni rientravano in una stretta banda di confidenza al 95%, indicando un comportamento stabile e affidabile.

Cosa significa questo per il futuro dell’eolico offshore

Per chi non è specialista, il risultato è che lo studio fornisce un assistente intelligente per leggere il fondale marino. Piuttosto che sostituire i diagrammi di ingegneria consolidati, il quadro dell’IA li estende a situazioni reali disordinate in cui i dati sono incompleti o imperfetti. Imparando da una libreria sintetica accuratamente progettata e dimostrandosi poi su ampi set di dati offshore, il metodo offre un modo pratico per classificare i suoli del fondale rapidamente e in modo coerente. Questo può ridurre test supplementari costosi, supportare progettazioni di fondazioni più sicure e, in ultima analisi, aiutare a mettere in servizio più progetti eolici offshore con maggiore fiducia in ciò che si trova sotto ogni turbina.

Citazione: Ku, CY., Wu, TY., Liu, CY. et al. AI-enhanced soil classification with incomplete CPT data for offshore wind farm. Sci Rep 16, 10589 (2026). https://doi.org/10.1038/s41598-026-46356-6

Parole chiave: eolico offshore, suoli del fondale marino, prova di penetrazione con cono, apprendimento automatico, progettazione delle fondazioni