⚡ electrical engineering

Development of Machine Learning Algorithms to Predict Damage Level of RC Structures Exposed to Extreme Dynamic Loads

Questo studio propone e valuta cinque algoritmi di apprendimento automatico addestrati su dati di elementi finiti per prevedere il danno da esplosione di colonne in calcestruzzo armato, identificando CatBoost come il modello più efficace e sottolineando la profondità strutturale, il peso della carica e la resistenza allo snervamento dell'armatura come i principali fattori influenzanti.

Autori originali: Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

Pubblicato 2026-07-02

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Masoud Abedini, Chunwei Zhang, Linnan Zhang, Ardashir Mouhamadzadeh, Masoomeh Barmaki

Articolo originale sotto licenza CC BY 4.0 (https://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

Immaginate un pilastro di cemento armato (RC) come il tronco robusto di un albero rinforzato con l'acciaio. Ora, immaginate un'esplosione massiccia che avviene proprio accanto ad esso. L'onda d'urto colpisce l'albero e la grande domanda è: quanto danno subirà quell'albero? Subirà solo qualche graffio, una branca spezzata o si spezzerà completamente in due?

Tradizionalmente, gli ingegneri devono rispondere a questo quesito costruendo modelli fisici costosi e pericolosi nei laboratori o eseguendo simulazioni al computer incredibilmente complesse e lente che richiedono ore o giorni per terminare. È come cercare di prevedere il tempo costruendo un nuovo' atmosfera a grandezza naturale in una stanza ogni volta che si vuole sapere se pioverà.

Questo articolo introduce un modo più intelligente e veloce: l'Apprendimento Automatico (Machine Learning - ML). Pensate al ML come a uno studente super intelligente che ha studiato migliaia di scenari "cosa succederebbe se" e ha imparato i modelli di come questi pilastri di cemento reagiscono alle esplosioni. Invece di costruire un nuovo modello ogni volta, basta chiedere allo studente: "Ecco i dettagli dell'esplosione e del pilastro; qual è il danno?".

Ecco una scomposizione di come hanno proceduto e di cosa hanno scoperto, utilizzando analogie semplici:

1. Il Campo di Addestramento (I Dati)

Prima che gli "studenti" (i modelli di IA) potessero imparare, i ricercatori hanno dovuto creare una massiccia biblioteca di problemi di pratica. Non hanno usato esplosioni reali (che sono pericolose e costose); invece, hanno utilizzato un sofisticato programma informatico chiamato LS-DYNA per simulare centinaia di esplosioni su pilastri virtuali.

Hanno creato un dataset con 10 diversi "ingredienti" per ogni scenario, come ad esempio:

Quanto è grande il pilastro (profondità e larghezza).
Quanto sono forti il calcestruzzo e l'acciaio.
Quanto è pesante la bomba.
Quanto è lontana la bomba.

2. I Cinque Studenti (Gli Algoritmi)

I ricercatori non hanno scelto un solo IA; hanno assunto cinque diversi "studenti" con diversi stili di apprendimento per vedere chi fosse il migliore nel prevedere il danno.

Random Forest (RF): Come un comitato di esperti. Ognuno guarda il problema da un angolo leggermente diverso e vota la risposta.
LightGBM, CatBoost e XGBoost: Questi sono come una squadra di detective che lavorano in sequenza. Il primo fa una ipotesi, il secondo osserva gli errori del primo e cerca di correggerli, il terzo corregge gli errori del secondo, e così via. Diventano più intelligenti a ogni passaggio.
SVM (Support Vector Machine): Questo è come un arbitro severo che cerca di tracciare una linea retta (o una curva morbida) per separare ciò che è "sicuro" da ciò che è "danneggiato".

3. Il Test (Chi ha vinto?)

I ricercatori hanno dato a tutti i cinque studenti un nuovo set di problemi che non avevano mai visto prima, per vedere chi riusciva a prevedere il danno con maggiore accuratezza.

Il Vincitore: CatBoost. Questo modello è stato il chiaro campione. È stato il più accurato e affidabile. Ha imparato i modelli complessi e disordinati delle esplosioni meglio degli altri.
Il Secondo Classificato: Random Forest. Era molto costante e stabile, anche se leggermente meno accurato del vincitore.
Gli Inadeguati: XGBoost e LightGBM erano discreti, ma hanno avuto più alti e bassi nelle loro prestazioni.
Il Perdente: SVM. Questo modello è fallito completamente. Era come cercare di usare un righello per misurare una linea sinuosa; il danno da esplosione è troppo disordinato e imprevedibile per questo specifico tipo di pensiero a "linea retta".

4. Cosa conta davvero? (Gli Ingredienti Chiave)

Il modello vincitore (CatBoost) ha anche rivelato ai ricercatori quali "ingredienti" contavano di più. È come uno chef che vi dice quali spezie rendono buono il piatto.

La Profondità del Pilastro (Il Grande Vincitore): Il fattore più importante era quanto era "profondo" o spesso il pilastro. Rendere un pilastro più profondo è come rendere il tronco di un albero più spesso; lo rende incredibilmente difficile da rompere. Questo singolo fattore ha rappresentato quasi il 38% della previsione del danno.
Il Peso della Bomba: Ovviamente, una bomba più grande causa più danni, ma la relazione non è un semplice "raddoppia la bomba, raddoppia il danno". È un po' più complesso, ma comunque molto importante (circa il 27%).
La Resistenza dell'Acciaio: La resistenza delle barre d'acciaio che corrono all'interno del calcestruzzo è stata il terzo fattore più importante (14%). Un acciaio più resistente aiuta il pilastro a mantenere la coesione anche dopo che il calcestruzzo si è crepato.

Risultati Sorprendenti:

Resistenza del Calcestruzzo: Sorprendentemente, rendere il calcestruzzo più resistente non ha aiutato tanto quanto previsto una volta superato un certo punto. È come usare una roccia super dura come fermaporta; una volta che è abbastanza dura, renderla ancora più dura non impedisce alla porta di oscillare.
Armatura Trasversale (Le "Staffe"): Le piccole legature d'acciaio che tengono insieme le barre principali non contavano molto se il pilastro era già costruito secondo gli standard normativi. È come aggiungere cinture di sicurezza extra a un'auto che ne ha già di buone; non cambia molto l'esito di un incidente.

5. Perché questo è importante

L'articolo conclude che non abbiamo più bisogno di eseguire simulazioni al computer lente ed expensive per ogni singolo progetto. Possiamo usare il modello CatBoost per prevedere istantaneamente quanto danno subirà un pilastro a causa di un'esplosione.

Velocità: È istantaneo.
Accuratezza: È abbastanza affidabile da aiutare gli ingegneri a progettare edifici più sicuri.
Sicurezza: Aiuta a identificare quali edifici sono vulnerabili e quali modifiche progettuali (come rendere i pilastri più profondi o usare acciaio più resistente) salveranno più vite.

In breve, i ricercatori hanno costruito una "palla di cristallo" per gli ingegneri. Invece di tirare a indovinare o aspettare giorni per una simulazione, possono ora chiedere all'IA: "Se costruiamo un pilastro di questa dimensione con questo tanto acciaio, e una bomba di questa dimensione esplode qui, quanto sarà grave il danno?" e ottenere una risposta affidabile in pochi secondi.

Sintesi Tecnica: Sviluppo di Algoritmi di Machine Learning per la Predizione del Livello di Danno in Strutture in Cemento Armato Esposte a Carichi Dinamici Estremi

1. Definizione del Problema

Le strutture in cemento armato (RC) sono sempre più vulnerabili ai carichi da esplosione a causa della crescente frequenza di attacchi terroristici e potenziali incidenti industriali. I metodi tradizionali per la valutazione del danno da esplosione — test sperimentali e simulazioni numeriche — presentano limitazioni significative. L'analisi sperimentale è costosa, richiede molto tempo e comporta gravi rischi per la sicurezza. Al contrario, sebbene le simulazioni numeriche (ad esempio, l'analisi agli elementi finiti tramite LS-DYNA) offrano approfondimenti dettagliati, richiedono enormi risorse computazionali e competenze specializzate, rendendole impraticabili per una progettazione preliminare rapida o per uno screening su larga scala della vulnerabilità.

Esiste un critico bisogno di un metodo più semplice, veloce e accurato per predire i livelli di danno delle colonne in RC sotto carico da esplosione. Questo studio affronta tale lacuna investigando l'efficacia degli algoritmi di Machine Learning (ML) come alternative basate sui dati rispetto ai metodi di simulazione tradizionali.

2. Metodologia

2.1 Generazione dei Dati e Simulazione Numerica

La ricerca ha utilizzato un dataset completo generato tramite simulazioni numeriche anziché esperimenti fisici.

Software: LS-DYNA è stato utilizzato per modellare la risposta dinamica delle colonne in RC sotto carico esplosivo.
Dettagli del Modello: I modelli rappresentavano colonne in RC rettangolari (sezione trasversale 500×700 mm, altezza 4400 mm) con armatura longitudinale e trasversale specifica.
Modelli di Materiale:
- Calcestruzzo: Modellato utilizzando MAT_CONCRETE_DAMAGE_REL3 (MAT 72Rel3) per catturare il comportamento non lineare, l'accumulo di danno e gli effetti della velocità di deformazione (strain-rate).
- Acciaio: Modellato utilizzando MAT_PIECEWISE_LINEAR_PLASTICITY (MAT 24).
- Velocità di Deformazione: Sono stati applicati Fattori di Incremento Dinamico (DIF) basati sul Codice Modello CEB-FIB per tenere conto delle elevate velocità di deformazione tipiche degli eventi da esplosione.
Carico: I carichi da esplosione sono stati simulati utilizzando una storia di pressione-tempo triangolare semplificata applicata alla superficie della colonna, definita dalla sovrapressione di picco e dalla durata della fase positiva.
Validazione: Il modello numerico è stato validato rispetto ai dati sperimentali di Baylot e Benvis (2007), mostrando un'ottima concordanza nella deflessione a metà altezza e nello spostamento residuo.

2.2 Valutazione del Danno

Un indice di danno ( $D$ ) è stato definito sulla base della capacità di carico assiale residua della colonna:
$D = 1 - \frac{P_{residuo}}{P_d}$
Dove $P_{residuo}$ è la capacità della colonna danneggiata e $P_d$ è la capacità della colonna non danneggiata. I livelli di danno sono stati classificati in quattro categorie: Basso ( $0 < D < 0.2$ ), Medio ( $0.2 < D < 0.5$ ), Alto ( $0.5 < D < 0.8$ ) e Collasso ( $0.8 < D < 1$ ).

2.3 Framework di Machine Learning

Cinque distinti algoritmi di ML sono stati addestrati e testati sul dataset derivato dai modelli a elementi finiti:

Random Forest (RF)
Light Gradient Boosting Machine (LightGBM)
Categorical Boosting (CatBoost)
Extreme Gradient Boosting (XGBoost)
Support Vector Machine (SVM)

Caratteristiche di Input (10 parametri):

Geometriche: Profondità della colonna ( $D$ ), larghezza ( $w$ ), altezza ( $H$ ).
Materiali: Resistenza alla compressione del calcestruzzo ( $f_c$ ), resistenza allo snervamento dell'acciazione longitudinale ( $f_y$ ), resistenza allo snervamento dell'acciazione trasversale ( $f_{yt}$ ), rapporto di armatura longitudinale ( $\rho$ ), rapporto di armatura trasversale ( $\rho_s$ ).
Esplosione: Peso della carica ( $W$ ), Distanza scalata ( $Z$ ).

3. Contributi Chiave

Analisi Comparativa: Lo studio fornisce un confronto rigoroso tra cinque algoritmi di ML all'avanguardia, specificamente per il problema non lineare e ricco di soglie della predizione del danno da esplosione nelle colonne in RC.
Identificazione dell'Algoritmo Ottimale: Identifica CatBoost come il modello superiore per questa specifica applicazione, superando RF, XGBoost, LightGBM e SVM in termini di accuratezza e affidabilità.
Quantificazione dell'Importanza delle Caratteristiche: La ricerca quantifica l'influenza relativa dei parametri geometrici, dei materiali e dell'esplosione sulla severità del danno, offrendo approfondimenti basati sui dati per l'ottimizzazione del design.
Analisi di Sensibilità: Lo studio mappa le relazioni non lineari tra le variabili di input (ad esempio, peso della carica, profondità della colonna) e il conseguente indice di danno, identificando le soglie critiche nel comportamento strutturale.

4. Risultati

4.1 Prestazioni del Modello

Le prestazioni sono state valutate utilizzando $R^2$ , Mean Squared Error (MSE), Mean Absolute Error (MAE), Explained Variance Score (EVS), Mean Absolute Percentage Error (MAPE) e Mean Squared Logarithmic Error (MSLE).

CatBoost (Tier 1): Ha ottenuto le prestazioni più elevate con un $R^2$ di 0.7125, un MAE di 1.061,09 e un MAPE del 17,63%. Ha dimostrato il miglior equilibrio tra accuratezza e affidabilità.
Random Forest (Tier 2): Ha mostrato buone prestazioni ( $R^2 = 0.6274$ ) con la maggiore stabilità (deviazione standard più bassa in $R^2$ ), rendendolo un'alternativa robusta.
XGBoost (Tier 2): Ha raggiunto un'accuratezza media competitiva ( $R^2 = 0.6109$ ) ma ha esibito un'alta variabilità (deviazione standard di 0.2313), suggerendo sensibilità alla divisione dei dati.
LightGBM (Tier 3): Ha fornito prestazioni marginali ( $R^2 = 0.5043$ ), probabilmente a causa della sua strategia di crescita leaf-wise che porta all'overfitting di pattern localizzati.
SVM (Tier 4): È fallito completamente con un $R^2$ di -0.0170, indicando l'incapacità di catturare le complesse non linearità e le transizioni discontinue (ad esempio, dal danno localizzato al collasso) inerenti al carico da esplosione.

4.2 Importanza delle Caratteristiche

In base al modello CatBoost, i parametri di input sono stati classificati per influenza sulla predizione del danno:

Profondità dell'elemento strutturale ( $D$ ): 38,45% (Fattore dominante).
Peso della carica: 27,25%.
Resistenza allo snervamento dell'armatura longitudinale ( $f_y$ ): 14,55%.
Distanza scalata ( $Z$ ): 6,42%.
Rapporto di armatura trasversale ( $\rho_s$ ): 3,04%.
Resistenza allo snervamento dell'armatura trasversale ( $f_{yt}$ ): 2,71%.
Resistenza alla compressione del calcestruzzo ( $f_c$ ): 2,66%.
Altezza della colonna ( $H$ ): 2,21%.
Larghezza della colonna ( $w$ ): 1,78%.
Rapporto di armatura longitudinale ( $\rho$ ): 0,93%.

4.3 Sensibilità e Soglie

Profondità: Esiste una soglia distinta tra 550 mm e 650 mm. Aumentare la profondità oltre i 600 mm produce rendimenti decrescenti nella riduzione del danno.
Peso della Carica: Il danno aumenta logaritmicamente con il peso della carica, stabilizzandosi man mano che la struttura si avvicina al collasso totale.
Resistenza del Calcestruzzo: Aumentare $f_c$ oltre i 45 MPa offre benefici minimi aggiuntivi a causa dell'effetto della velocità di deformazione (DIF) che normalizza le differenze di resistenza statica.
Armatura Trasversale: Nell'intervallo studiato, le variazioni nell'armatura trasversale hanno avuto un impatto trascurabile sulla metrica della capacità di carico assiale residua, purché fossero rispettati i requisiti minimi di codice.

5. Significato e Rivendicazioni

Il documento afferma che i modelli di ML sviluppati, in particolare CatBoost, forniscono uno strumento rapido e accurato per predire il danno strutturale e i modi di cedimento delle colonne in RC sotto carico da esplosione.

Utilità Pratica: I modelli possono sostituire le costose simulazioni agli elementi finiti per la progettazione preliminare e lo screening della vulnerabilità, a condizione che vengano applicati opportuni fattori di sicurezza.
Guida alla Progettazione: Lo studio offre raccomandazioni di progettazione specifiche basate sui dati:
- Dare priorità all'aumento della profondità della colonna rispetto all'aumento della resistenza del calcestruzzo o all'aggiunta di armatura trasversale per la resistenza alle esplosioni.
- Utilizzare acciaio longitudinale ad alta resistenza ( $f_y \ge 500$ MPa) per sfruttare i benefici della velocità di deformazione.
- Evitare di specificare resistenze del calcestruzzo significativamente superiori a 45 MPa per la resistenza alle esplosioni, poiché il guadagno marginale è basso.
- Concentrarsi sulla distanza scalata (standoff) come misura protettiva primaria durante la pianificazione del sito.

Gli autori concludono che, sebbene i modelli siano limitati agli intervalli di parametri e ai dati di simulazione numerica utilizzati, essi rappresentano un passo significativo verso una progettazione resistente alle esplosioni più efficiente e basata sui dati. Lo studio evita esplicitamente di rivendicare un'applicabilità universale oltre gli intervalli testati e suggerisce che il lavoro futuro debba incorporare dati sperimentali ed estendersi ad altri elementi strutturali.