Predizione basata sui dati del carico–cedimento di platea con micropali usando machine learning e simulazione Monte Carlo

Perché i micropali sotto grandi edifici sono importanti

Le città moderne si affidano a fondazioni profonde per mantenere gli edifici stabili, anche quando poggiano su argille molli che possono comprimersi e assestarsi lentamente. Gli ingegneri ricorrono sempre più spesso a pali molto sottili, detti micropali, abbinati a una platea in calcestruzzo per sostenere i carichi in sicurezza quando lo spazio è limitato o le condizioni del terreno sono problematiche. Questo studio esplora come i dati e l’intelligenza artificiale possano aiutare a prevedere quanto queste platee con micropali si abbasseranno sotto carico, offrendo ai progettisti un modo più rapido e affidabile per valutare la sicurezza e le prestazioni nel tempo.

Piccoli pali, grande supporto

Una fondazione a platea con micropali combina una piastra di calcestruzzo spessa con molti pali sottili rinforzati in acciaio infissi in profondità nel terreno. Sebbene ogni palo abbia solo pochi centimetri di diametro, insieme possono sostenere edifici di grandi dimensioni mantenendo contenuto l’assestamento. Sono particolarmente utili nelle argille molli, dove fondazioni superficiali tradizionali si sosterrebbero troppo. Il comportamento di questo sistema è complesso perché la platea, l’ammasso di micropali e il terreno circostante interagiscono tutti. Fattori come lunghezza e interasse dei pali, dimensioni e spessore della platea e resistenza dell’argilla influenzano il modo in cui il carico è ripartito e quanto il terreno si comprime a diversi livelli di sollecitazione.

Costruire un ricco database di prova

Per studiarne il comportamento, l’autore ha raccolto un database di 480 casi sperimentali ricavati da precedenti prove in laboratorio su modelli e misure su larga scala in campo su platee con micropali in terreni coesivi. Per ogni caso i dati includono la geometria della platea, la dimensione, il numero e la disposizione dei micropali, la resistenza dell’argilla e il carico applicato, insieme al cedimento misurato. Mantenendo le condizioni dell’argilla relativamente controllate e variando la configurazione della fondazione, il dataset si concentra su come le scelte progettuali influenzano le prestazioni. Questo lo rende adatto per addestrare modelli informatici in grado di apprendere pattern sottili che collegano progetto della fondazione, proprietà del terreno e movimenti risultanti del suolo.

Addestrare macchine a leggere il terreno

Lo studio confronta sei popolari metodi di machine learning per determinare quale predice meglio il cedimento a partire dagli ingressi disponibili. Tra questi figurano tecniche basate su alberi come random forest e metodi di boosting, un metodo a vicini e due metodi a kernel: la regressione con support vector e la regressione con processo gaussiano. Tutti i modelli sono ottimizzati con cura usando ottimizzazione bayesiana e cross-validation per evitare di affidarsi a una combinazione di iperparametri comoda ma fuorviante. Le loro prestazioni sono giudicate mediante diverse misure di errore e controlli visivi che confrontano cedimenti previsti e misurati su molti livelli di carico differenti. Sebbene la maggior parte dei modelli si adatti molto bene ai dati di addestramento, molti faticano quando vengono chiamati a prevedere casi completamente nuovi.

Perché un modello si distingue

La regressione con processo gaussiano emerge come lo strumento più affidabile in questo confronto. Cattura la relazione curva e non lineare tra carico e cedimento senza limitarsi a memorizzare risultati passati. Su dati di test mai visti prima mantiene elevata accuratezza con un basso errore medio misurato in millimetri. Fornisce inoltre bande di confidenza attorno a ogni previsione, indicando quanto la stima sia certa in condizioni diverse. Per approfondire, lo studio alimenta il modello con migliaia di combinazioni di input leggermente variate tramite simulazione Monte Carlo, imitandone piccole incertezze nelle dimensioni e nella resistenza del terreno. La dispersione risultante delle previsioni di cedimento resta ristretta, e le curve medie previste carico–cedimento seguono da vicino quelle misurate negli esperimenti.

Vedere quali fattori contano di più

Oltre alla pura accuratezza, lo studio esamina come il modello prende le sue decisioni usando uno strumento di interpretabilità chiamato SHAP. Questa analisi mostra che il fattore più influente è lo stesso carico applicato, seguito dalla lunghezza dei pali e dalla larghezza della platea, che insieme controllano come le forze vengono trasferite al terreno. Anche il numero e l’interasse dei pali giocano un ruolo, ma in misura minore nel range testato. La resistenza dell’argilla e lo spessore della platea appaiono meno prominenti nella graduatoria statistica perché sono fortemente correlati nei dati disponibili, non perché manchino di importanza fisica. Nel complesso, la classifica delle caratteristiche influenti è in buona concordanza con l’intuizione ingegneristica consolidata sul comportamento delle fondazioni in argilla molle.

Cosa significa per i progetti futuri

Il lavoro dimostra che il machine learning accuratamente tarato, in particolare la regressione con processo gaussiano combinata con la simulazione Monte Carlo, può offrire agli ingegneri uno strumento pratico per prevedere come le platee con micropali si assesteranno sotto diversi carichi e quantificare l’incertezza di tali previsioni. Per ora, i risultati sono più solidi nelle condizioni controllate di laboratorio e nei test di campo selezionati, e lo studio auspica dati su scala reale più numerosi e un range di terreni più ampio. Tuttavia, il quadro mostra come modelli basati sui dati e la comprensione geotecnica tradizionale possano lavorare insieme per creare progetti di fondazioni più sicuri ed efficienti su terreni difficili.

Citazione: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

Parole chiave: fondazioni a platea con micropali, machine learning, regressione con processo gaussiano, comportamento carico-cedimento, simulazione Monte Carlo