Modellazione costitutiva informata dalla microstruttura dei mezzi granulari sotto carichi multidirezionali: dalla scala delle particelle al continuo

Perché il terreno sotto le turbine è importante

Man mano che costruiamo più parchi eolici, tunnel e pendii, ci affidiamo al terreno per sopportare in sicurezza forze variabili generate dal vento, dalle onde e dai terremoti. Eppure il suolo sotto i nostri piedi non è un blocco uniforme; è un ammasso di sabbia e granuli le cui forme e disposizioni cambiano continuamente quando vengono spinti e tirati. Questo articolo spiega come i ricercatori combinano simulazioni al computer dettagliate delle singole particelle con l’intelligenza artificiale moderna per prevedere come questo tipo di terreno granulare si comporterà sotto condizioni di carico complesse e reali.

Dai granuli sciolti alle strutture reali

I materiali granulari come la sabbia, i residui di miniera e lo zavorro ferroviario si comportano in modi sorprendentemente complessi. Diversamente dai cristalli o dai metalli, non esiste un’equazione semplice che indichi agli ingegneri come una pila di granuli risponderà se compressa da più direzioni contemporaneamente. In pratica, i progettisti si basano su prove di laboratorio e formule empiriche che possono valere solo per uno specifico sito o tipo di suolo. I suoli reali, invece, sono depositati dalla gravità, sono plasmati da carichi passati e vengono sollecitati in più direzioni dal vento, dalle onde e dalle scosse sismiche. Una turbina eolica su un fondale inclinato, per esempio, è soggetta a combinazioni in continua evoluzione di forze verticali, orizzontali e torcenti che le prove tradizionali spesso non riescono a rappresentare.

Osservare ogni granello in movimento

Per colmare questa lacuna, gli autori ricorrono al metodo degli elementi discreti, una tecnica numerica che considera ogni granulo come una particella rigida individuale. Nel loro laboratorio virtuale, migliaia di granuli vengono versati in una piccola scatola e poi compressi lungo tre direzioni indipendenti mentre il computer traccia ogni forza di contatto e ogni minuscolo riarrangiamento. Il team varia sistematicamente gli ingredienti chiave che controllano il comportamento del suolo: la pressione iniziale attorno ai granuli, la loro compattezza, la direzione degli sforzi applicati, l’orientamento degli strati interni (detti bedding) e le forme delle particelle stesse, da quasi sferiche a chiaramente allungate. Attraverso 260 simulazioni dettagliate, osservano come questi fattori irrigidiscono o indeboliscono il materiale, ne causano contrazione o dilatazione e rendono la sua struttura interna orientata in modo preferenziale.

Come forma delle particelle e tessitura modificano la resistenza

Le simulazioni rivelano che diverse caratteristiche spesso trascurate possono alterare fortemente la resistenza del terreno. Quando la pressione media circostante è più alta, la sabbia virtuale diventa più rigida e può sostenere maggiori sforzi di taglio prima di cominciare a riarrangiarsi. I riempimenti più densi resistono meglio al taglio e tendono ad espandersi, mentre quelli sciolti si comprimono man mano che i granuli trovano nuove posizioni. Cambiare l’orientazione del percorso di sforzo — codificata da una quantità chiamata angolo di Lode — può aumentare o diminuire la resistenza massima e spostare l’equilibrio tra contrazione e dilatazione. Analogamente, ruotare i piani di stratificazione da orizzontali a verticali riduce la resistenza massima al taglio, mostrando che la storia del deposito del suolo è significativa. Anche la forma delle particelle gioca un ruolo importante: assemblaggi costituiti da particelle più allungate sopportano picchi di sforzo maggiori e subiscono variazioni di volume minori rispetto a quelli formati da particelle quasi sferiche preparate alla stessa densità relativa.

Insegnare a una rete neurale a ragionare come il suolo

Sebbene queste simulazioni ad alta risoluzione offrano intuizioni profonde, sono troppo costose dal punto di vista computazionale per essere eseguite all’interno di modelli ingegneristici su larga scala di un’intera fondazione o di un pendio. Per colmare questo divario di scala, gli autori costruiscono un modello di deep learning — una rete neurale multilivello — che impara a imitare la risposta del suolo simulato. Invece di alimentare la rete solo con semplici risultati di prova, essa riceve descrittori ricchi dello stato del materiale: le forme delle particelle, la pressione e la densità iniziali, misure della stratificazione interna e le deformazioni in corso in ogni direzione. Utilizzando una strategia di addestramento accuratamente progettata e una funzione di perdita che enfatizza le fasi iniziali, più critiche, della deformazione, la rete impara a restituire le tre componenti di sforzo che corrispondono da vicino alle simulazioni, comprese le sottili dipendenze direzionali e le variazioni della resistenza a lungo termine.

Dai granuli virtuali a progetti più sicuri

Il risultato finale è un nuovo tipo di modello costitutivo — una regola che collega sforzo e deformazione — informato dalla fisica su scala delle particelle ma che funziona alla velocità di una formula ingegneristica convenzionale. Può catturare come la resistenza del suolo dipenda dalla forma delle particelle, dalla stratificazione e dal carico tridirezionale complesso, senza la necessità di dozzine di parametri tarati a mano o di prove specifiche per sito. Gli autori immaginano di integrare questo modello appreso nei software agli elementi finiti standard così che i progettisti di fondazioni per turbine eoliche, pendii e strutture sotterranee possano tener conto di carichi multidirezionali realistici e dell’evoluzione della struttura del suolo. In termini semplici, questo lavoro mostra come osservare ogni granello in un esperimento virtuale e distillarne il comportamento in una rete neurale addestrata possa portare a progetti più affidabili ed efficienti per le infrastrutture che sostengono la transizione energetica.

Citazione: Irani, N., Golestaneh, P., Salimi, M. et al. Microstructure-informed constitutive modeling of granular media under multidirectional loading: From particle-scale to continuum. Commun Eng 5, 80 (2026). https://doi.org/10.1038/s44172-026-00652-1

Parole chiave: terreni granulari, apprendimento profondo, fondazioni di turbine eoliche, simulazioni a elementi discreti, carico multidirezionale