Confronto tra approcci di machine learning e deep learning per prevedere la risposta sismica delle connessioni lastra-colonna

Perché pavimenti più sicuri nei terremoti sono importanti

Molti edifici cittadini si basano su solai in calcestruzzo piani che poggiano direttamente sulle colonne, senza travi di grande profondità. Durante un terremoto, le giunzioni tra lastre e colonne possono cedersi improvvisamente, facendo crollare i piani e provocando il collasso parziale degli edifici. Questo studio esplora come gli strumenti moderni guidati dai dati possano aiutare gli ingegneri a prevedere meglio il comportamento di queste giunzioni critiche sotto forti scuotimenti, in modo che gli edifici possano essere progettati o verificati con maggiore sicurezza.

Come le giunzioni degli edifici possono cedersi all’improvviso

Negli edifici con lastra piana, la colonna deve trasferire sia il carico verticale sia le forze sismiche orizzontali nella lastra. Se le sollecitazioni si concentrano troppo attorno alla colonna, la lastra può punzonare attorno alla colonna come un timbro che attraversa la carta. Questo cedimento fragile dà poco preavviso e può innescare un collasso progressivo. Allo stesso tempo, l’intero edificio oscilla, descritto da una misura chiamata rapporto di spostamento, che indica agli ingegneri quanto la struttura si inclina rispetto all’altezza. Sia il momento locale di punzonamento alla giunzione sia lo spostamento globale sono controllati da molti fattori, tra cui spessore della lastra, dimensioni della colonna, quantità di armatura, resistenza del calcestruzzo e il tipo di sollecitazione sismica.

Usare test passati e computer come strumenti di apprendimento

Gli autori hanno raccolto un database di 217 prove di laboratorio accuratamente documentate su connessioni lastra-colonna sottoposte a carichi sismici simulati. Ogni prova includeva dimensioni geometriche, resistenze dei materiali, dettagli di armatura, carico gravitazionale applicato, tipo di sollecitazione e i momenti di punzonamento e il rapporto di spostamento misurati al collasso. Hanno quindi diviso queste informazioni in insiemi distinti di addestramento e di test, in modo che i modelli informatici fossero valutati sulla loro capacità di prevedere risultati non visti in fase di training. Prima della modellazione, il team ha pulito i dati, gestito i valori mancanti, normalizzato gli intervalli numerici ed esaminato come ciascuna variabile fosse correlata al collasso usando strumenti visivi come boxplot e scatter plot.

Confrontare molti modi in cui i computer possono imparare

Per stabilire quali tecniche funzionano meglio, lo studio ha confrontato un’ampia gamma di metodi di machine learning con diversi approcci di deep learning. Il gruppo di machine learning comprendeva formule lineari semplici, versioni regolarizzate che cercano di evitare l’overfitting e insiemi flessibili basati su alberi come random forest, gradient boosting e XGBoost. Il gruppo di deep learning ha usato architetture di reti neurali più spesso impiegate nell’analisi di immagini o sequenze, incluse reti convoluzionali, reti ricorrenti, reti LSTM e un modello ibrido che combinava strati convoluzionali e ricorrenti. A differenza dei problemi di immagine, qui queste reti profonde hanno ricevuto tabelle strutturate di valori ingegneristici riformattati in sequenze monodimensionali.

Quanto i modelli hanno rivelato su resistenza e spostamento

Per prevedere il momento di punzonamento alla giunzione lastra-colonna, i migliori risultati sono stati ottenuti dai modelli di machine learning basati su molti alberi decisionali. Il gradient boosting ha raggiunto la massima accuratezza sui test non visti, seguito a breve distanza da XGBoost e random forest. Questi modelli hanno catturato la complessa e non lineare combinazione di geometria, materiali e carichi che governa la resistenza locale della giunzione. Per prevedere il rapporto di spostamento, che riflette come oscilla l’intero sistema, random forest è risultato superiore rispetto ad altri approcci, sebbene tutti i modelli abbiano trovato questo compito più difficile e abbiano mostrato maggiore dispersione. I modelli di deep learning, specialmente il tipo ibrido, non hanno superato i metodi basati su alberi su questo set di dati tabellare relativamente piccolo e hanno richiesto molta più risorse computazionali.

Cosa significa per una progettazione più sicura degli edifici

Per un non specialista, il messaggio chiave è che strumenti di machine learning scelti con cura possono già fornire agli ingegneri stime più accurate di come e quando le giunzioni lastra-colonna potrebbero cedere durante i terremoti, in particolare per la resistenza locale al punzonamento e, in misura minore, per lo spostamento complessivo. In questo studio, il machine learning tradizionale basato su alberi ha superato le reti di deep learning più alla moda per i dati disponibili, offrendo maggiore accuratezza con minore complessità. Gli autori consigliano di usare tali modelli come supporto decisionale accanto alle regole di progettazione esistenti, piuttosto che sostituire il giudizio ingegneristico. Con set di dati più ampi e caratteristiche più raffinate, questi metodi guidati dai dati potrebbero diventare una parte pratica della valutazione sismica di routine degli edifici con lastre piane.

Citazione: El-Mandouh, M.A., Youssef, H., Elborlsy, M.S. et al. Comparing machine learning and deep learning approaches to predicting the seismic response of slab-column connections. Sci Rep 16, 14718 (2026). https://doi.org/10.1038/s41598-026-50962-9

Parole chiave: progettazione sismica, edifici con lastre piane, machine learning, taglio da punzonamento, rapporto di spostamento