Previsione della resistenza a compressione non confinata di argille stabilizzate con geopolimeri mediante una macchina di apprendimento estremo basata sul moscerino della frutta settoriale

Terreni più resistenti con un costo ambientale inferiore

Nel mondo, gli ingegneri devono trasformare suoli soffici e ricchi di argilla in fondazioni solide per strade, edifici e rilevati. Tradizionalmente ciò significa aggiungere grandi quantità di cemento Portland ordinario, una fonte significativa di emissioni di anidride carbonica. Questo studio esplora una via più pulita: usare sottoprodotti industriali detti geopolimeri per rinforzare l’argilla e applicare una forma intelligente di intelligenza artificiale per prevedere quanto diventerà resistente il terreno trattato senza dover eseguire infiniti test di laboratorio.

Trasformare i rifiuti industriali in leganti utili

I geopolimeri sono leganti ottenuti attivando polveri ricche di alluminosilicati — come la scoria granulare d’altoforno macinata (GGBS) e le ceneri volanti — con soluzioni alcaline. Quando miscelati con argilla, formano reti rigide simili a pietra in grado di fornire elevata resistenza, ridotta ritiro e buona durabilità, emettendo molto meno CO₂ rispetto al cemento convenzionale. Esperimenti precedenti hanno mostrato che le argille stabilizzate con geopolimero possono raggiungere resistenze che vanno da quasi zero fino a oltre 40 megapascal, a seconda della miscela. Ma il risultato dipende sensibilmente da molti ingredienti contemporaneamente: la plasticità naturale dell’argilla, la quantità di scoria o cenere aggiunta, la concentrazione della soluzione alcalina e l’equilibrio di elementi chiave come sodio, silicio e alluminio.

Perché prevedere la resistenza del suolo è così difficile

Per progettare una miscela pratica, gli ingegneri vorrebbero sapere in anticipo quanto sarà resistente una determinata ricetta. Eseguire programmi di laboratorio completi per ogni miscela candidata è lento e costoso. Le formule statistiche tradizionali sono inoltre insufficienti perché le relazioni tra tipo di suolo, composizione del geopolimero e resistenza risultante sono altamente non lineari. Gli strumenti moderni di apprendimento automatico — come le reti neurali e le macchine a vettori di supporto — hanno migliorato le previsioni, ma possono richiedere un intenso aggiustamento dei parametri, rischiare di sovradattarsi a dataset piccoli e spesso comportarsi come “scatole nere” opache che non mostrano chiaramente quali ingredienti contano di più.

Una macchina di apprendimento più intelligente guidata da uno sciame digitale

Gli autori hanno raccolto 270 risultati sperimentali da studi precedenti su argille stabilizzate con geopolimeri, coprendo diversi tipi di suolo, miscele di legante, concentrazioni alcaline e condizioni di maturazione. Hanno quindi addestrato tre modelli di previsione correlati. Il motore centrale, chiamato extreme learning machine, è una rete neurale veloce che imposta la maggior parte dei suoi parametri interni in un unico passaggio analitico invece del lento addestramento per prove ed errori. Per perfezionare questi parametri interni, il team ha accoppiato la rete a una routine di ottimizzazione ispirata al comportamento del moscerino della frutta nella ricerca del cibo. Nella loro versione migliorata, la sector fruit fly optimization, lo sciame virtuale non vaga casualmente; invece esplora lo spazio di ricerca in settori equamente spaziati, migliorando la stabilità e aiutando l’algoritmo a convergere più rapidamente su una buona soluzione.

Previsioni migliori e comprensione più chiara di ciò che conta

Quando testato su dati non visti, la macchina di apprendimento di base ha già previsto la resistenza a compressione non confinata — quanto la argilla trattata può resistere alla spremitura — in modo ragionevole. L’aggiunta della ricerca con lo sciame ha ulteriormente migliorato la precisione. Lo sciame basato su settori ha dato le migliori prestazioni, riducendo l’errore di previsione di circa il 42 percento rispetto al modello di riferimento e del 19 percento rispetto alla versione precedente ispirata al moscerino della frutta, mantenendo al contempo un carico computazionale sufficiente per un normale portatile. La maggior parte delle resistenze previste si è avvicinata ai valori misurati, e i pattern degli errori suggerivano che il modello generalizzava bene piuttosto che limitarsi a memorizzare i dati di addestramento.

Trasformare modelli complessi in ricette pratiche per il suolo

Per aprire la “scatola nera”, i ricercatori hanno applicato una tecnica chiamata analisi SHAP, che assegna a ciascun input un contributo alla previsione finale. Questo ha rivelato che il contenuto di scoria (GGBS) era il fattore singolo più influente nell’aumentare la resistenza, con la plasticità dell’argilla e il limite liquido che giocavano anch’essi ruoli importanti. Alcuni parametri di miscela — come un eccesso di ceneri volanti o plasticità molto elevata — tendevano a ridurre la resistenza, mentre una concentrazione alcalina appropriata e il rapporto sodio‑alluminio fornivano effetti positivi più moderati. Queste intuizioni, combinate con le previsioni accurate, rendono la macchina di apprendimento migliorata dallo sciame sector fruit fly uno strumento promettente per guidare il progetto delle miscele geopolimeriche, aiutando gli ingegneri a scegliere ricette che producono terreni resistenti e stabili con meno prove e un’impronta ambientale ridotta.

Citazione: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

Parole chiave: argilla stabilizzata con geopolimero, predizione della resistenza del suolo, apprendimento automatico in geotecnica, miglioramento del terreno sostenibile, macchina di apprendimento estremo