🤖 AI

Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye

Questo studio dimostra che un modello Random Forest, addestrato su 382 campioni di suolo della Turchia, predice efficacemente il California Bearing Ratio con un'elevata accuratezza (R²=0,83), offrendo un'alternativa di apprendimento automatico rapida e affidabile ai tradizionali e dispendiosi test di laboratorio per l'ingegneria geotecnica.

Autori originali: Abdullah Hulusi Kökçam, Uğur Dağdeviren, Talas Fikret Kurnaz, Alparslan Serhat Demir, Caner Erden

Pubblicato 2026-09-07

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Abdullah Hulusi Kökçam, Uğur Dağdeviren, Talas Fikret Kurnaz, Alparslan Serhat Demir, Caner Erden

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Prima che una strada possa essere costruita, gli ingegneri devono sapere se il terreno sottostante è abbastanza resistente da sostenere il peso del traffico. Questa non è una supposizione; è un calcolo basato su quanta pressione può sopportare il suolo prima di cedere. Per quasi un secolo, il modo standard per misurare questa resistenza è stato un test chiamato Rapporto di Portanza Californiano (California Bearing Ratio). In un laboratorio, un pistone viene spinto in un campione di terreno a una velocità costante e lenta. La forza necessaria per spingere il pistone all'interno viene confrontata con la forza necessaria per spingerlo in un blocco standard di pietra frantumata. Il risultato è un numero singolo che dice agli ingegneri quanto quel terreno si comporterà come fondazione per autostrade o piste aeroportuali. Sebbene questo metodo sia affidabile, è anche lento, costoso e richiede l'invio di campioni in un laboratorio, il che può ritardare i progetti e aumentare i costi. Con la crescente domanda di costruzioni più veloci ed efficienti, i ricercatori hanno iniziato a chiedersi se i computer possano imparare a prevedere questo numero semplicemente guardando altre proprietà del terreno più facili da misurare.

Un team di ricercatori in Turchia ha deciso di rispondere a questa domanda insegnando ai computer a riconoscere i modelli nascosti nei dati del suolo. Hanno raccolto una vasta collezione di informazioni da 382 diversi campioni di terreno prelevati da varie regioni del paese. Per ogni campione, conoscevano già il Rapporto di Portanza Californiana finale derivante da passati test di laboratorio. Avevano anche un elenco di altre caratteristiche per ogni campione, come quanta acqua il terreno potesse trattenere, quanto le particelle fossero fini o grossolane e quanto il terreno tendesse a restringersi o gonfiarsi. I ricercatori hanno trattato queste informazioni come un puzzle, inserendo queste caratteristiche note in dodici diversi programmi informatici progettati per trovare relazioni matematiche. Questi programmi variavano da semplici alberi decisionali a reti complesse che imitano il modo in cui il cervello umano elabora le informazioni. L'obiettivo era vedere se i computer potessero apprendere le regole che collegano i tratti base del suolo alla sua valutazione finale di resistenza senza mai vedere i risultati effettivi del test di resistenza durante il loro addestramento.

I ricercatori hanno diviso i loro dati in due gruppi. Hanno utilizzato la maggior parte dei campioni per insegnare ai programmi informatici, lasciando loro il compito di fare pratica con le previsioni e correggere i propri errori. Avevano riservato i campioni rimanenti per fungere da esame finale, testando i programmi su un terreno che non avevano mai visto prima. Per garantire che i risultati fossero equi e non solo un colpo di fortuna, hanno eseguito i test più volte e hanno regolato le impostazioni di ciascun programma informatico per trovare la migliore prestazione possibile. Dopo aver eseguito questo rigoroso confronto, un tipo di programma si è distinto per la sua precisione. Si trattava di un metodo d'insieme chiamato Random Forest, che funziona combinando le opinioni di molti piccoli modelli decisionali per raggiungere una conclusione singola e affidabile. Questo modello si è dimostrato il più abile nel compito, prevedendo correttamente la resistenza del terreno nell'esame finale con un alto grado di accuratezza.

I risultati hanno mostrato che il modello Random Forest poteva prevedere la resistenza del suolo con una precisione sorprendente, eguagliando i risultati reali del laboratorio molto meglio degli altri undici programmi testati. Quando i ricercatori hanno osservato la differenza tra ciò che il computer aveva previsto e ciò che il laboratorio aveva effettivamente misurato, gli errori erano piccoli e bilanciati, il che significa che il modello non sovrastimava o sottostimava costantemente i valori. Sebbene alcuni casi estremi fossero più difficili da prevedere, la prestazione complessiva era sufficientemente forte da suggerire che questo approccio è praticabile. Lo studio non ha sostenuto che questo metodo sostituisca interamente la necessità di test fisici, ma ha dimostrato che un computer potrebbe fornire una stima molto vicina utilizzando dati che sono spesso già disponibili. Questa scoperta offre una via pratica per il futuro, suggerendo che gli ingegneri potrebbero utilizzare questi strumenti digitali per esaminare rapidamente le condizioni del suolo e prendere decisioni più rapide e informate durante le fasi iniziali della progettazione di strade e fondamenta.

Sintesi Tecnica: Predizione del Rapporto di Portata Californiano con Modelli Ensemble e Reti Neurali

Definizione del Problema
Il Rapporto di Portata Californiano (CBR) è un indicatore geotecnico fondamentale utilizzato per valutare la capacità di carico dei suoli di sottofondo per le infrastrutture di trasporto e la progettazione delle fondazioni. Tradizionalmente, i valori CBR vengono determinati attraverso prove di penetrazione in laboratorio (umido o secco) che coinvolgono velocità di inserimento del pistone e profondità di penetrazione specifiche (2,5 mm e 5 mm). Sebbene accurati, questi metodi convenzionali sono caratterizzati dall'essere dispendiosi in termini di tempo, di lavoro e di costi, specialmente quando applicati a progetti su larga scala o a profili di suolo diversificati. Di conseguenza, esiste la necessità di metodi di stima indiretti, rapidi e affidabili che utilizzino proprietà indici del suolo facilmente reperibili.

Metodologia
Questo studio propone un framework basato sui dati per predire i valori CBR utilizzando algoritmi di apprendimento automatico (ML). La ricerca ha utilizzato un dataset completo composto da 382 campioni di suolo raccolti in varie regioni geoclimatiche della Turchia, provenienti dagli archivi di laboratorio della Direzione Generale delle Autostrade della Turchia.

Caratteristiche di Input: Gli input del modello includevano sette proprietà del suolo: Contenuto di Ghiaia (GC), Contenuto di Sabbia (SC), Contenuto di Fine (FC), Limite Liquido (LL), Indice di Plasticità (PI), Densità Secca Massima (MDD) e Contenuto di Umidità Ottimale (OMC).
Partizione dei Dati: Il dataset è stato suddiviso casualmente in un set di addestramento (80%, n=305) e un set di test (20%, n=77).
Selezione degli Algoritmi: Sono stati implementati e confrontati dodici distinti modelli di regressione:
- Metodi Ensemble: Random Forest, Bagging, Extra Trees, Voting, Stacking, Gradient Boosting, AdaBoost e XGBoost.
- Basati su Alberi: Decision Tree.
- Basati su Kernel: Support Vector Regression (SVR).
- Basati su Istanza: K-Nearest Neighbors (K-NN).
- Reti Neurali: Multi-Layer Perceptron (MLP).
Ottimizzazione e Validazione: Per garantire la robustezza e prevenire l'overfitting, la sintonizzazione degli iperparametri è stata condotta tramite Grid Search con validazione incrociata a 5 pieghe (5-fold cross-validation). Ogni modello è stato addestrato e valutato cinque volte con diversi stati casuali per tenere conto della variabilità, riportando le metriche di performance medie.

Risultati Chiave
Le prestazioni dei modelli sono state valutate utilizzando il coefficiente di determinazione ( $R^2$ ), l'Errore Assoluto Medio (MAE) e l'Errore Quadratico Medio (RMSE).

Miglior Performer: Il Random Forest Regressor è emerso come il modello più efficace. Ha ottenuto un punteggio $R^2$ di 0,832 sul set di test, con un MAE di 6,263 e un RMSE di 11,823.
Prestazioni Comparative: Sebbene altri modelli ensemble come Bagging, Extra Trees e Voting Regressors abbiano dimostrato una forte performance, i loro risultati sono stati leggermente inferiori rispetto al Random Forest sul test set finale. In particolare, il Voting Regressor ha mostrato un $R^2$ di addestramento elevato (0,994) ma un $R^2$ di validazione inferiore (0,683), indicando un potenziale overfitting rispetto alla maggiore stabilità del Random Forest.
Comportamento del Modello: L'analisi visiva delle predizioni del Random Forest (Attuale vs. Predetto) ha rivelato che la maggior parte dei punti dati si allinea strettamente alla linea diagonale ideale. La distribuzione dell'errore è quasi normale e centrata sullo zero, indicando predizioni non influenzate da bias, sebbene sia stata osservata una leggera tendenza alla sovrastima in casi specifici.
Modelli con Prestazioni Inferiori: Modelli come Stacking, MLP e Decision Tree hanno prodotto punteggi $R^2$ sul test set inferiori (rispettivamente 0,519, 0,748 e 0,683), suggerendo che siano stati meno efficaci nel catturare le relazioni non lineari in questo specifico dataset rispetto ai metodi ensemble basati su alberi.

Contributi Principali

Analisi Comparativa Esaustiva: Lo studio fornisce una valutazione sistematica di dodici diversi algoritmi di ML, che spaziano dai semplici alberi decisionali a complessi ensemble di stacking e reti neurali, applicati specificamente alla predizione del CBR nel contesto delle condizioni geoclimatiche turche.
Framework di Validazione Robusto: Utilizzando la validazione incrociata a 5 pieghe, molteplici iterazioni di stati casuali e una rigorosa divisione tra training e test set, lo studio stabilisce un protocolo rigoroso per valutare la generalizzazione del modello nelle applicazioni geotecniche.
Identificazione dell'Architettura Ottimale: La ricerca identifica il Random Forest come l'architettura superiore per questo specifico problema, evidenziando la sua capacità di mappare le complesse relazioni non lineari tra le proprietà indici del suolo e la capacità portante in modo più efficace rispetto agli altri metodi testati.

Significato e Rivendicazioni
L'articolo sostiene che l'integrazione dell'apprendimento automatico nella geotecnica offra un'alternativa valida ai test di laboratorio tradizionali. Il significato primario risiede nel potenziale di ridurre i tempi e i costi di test mantenendo l'accuratezza predittiva. Lo studio supporta l'adozione di modelli basati sui dati per la stima indiretta del CBR, promuovendo una transizione verso la trasformazione digitale nell'analisi e nella progettazione delle infrastrutture. Gli autori concludono che le tecniche di apprendimento basate su ensemble, in particolare il Random Forest, sono strumenti robusti per compiti predittivi geotecnici, capaci di gestire la complessità del comportamento del suolo senza i carichi logistici dei test di penetrazione fisica.

Articoli simili