⚡ electrical engineering

(FEM-ML) Hybrid models to predict the lateral pile cap displacement under quasi-static load

Questo studio propone un nuovo framework ibrido che combina il Metodo degli Elementi Finiti (FEM) e l'Intelligenza Artificiale, utilizzando specificamente un Gradient Boosting Regressor ottimizzato tramite Particle Swarm Optimization ed Evolutionary Polynomial Regression, per prevedere accuratamente lo spostamento laterale di pali singoli e raggruppati sotto carichi quasi-statici, superando così i limiti dei metodi tradizionali nel catturare le complesse interazioni non lineari terreno-struttura.

Autori originali: Yossef E. Teleb, Mahmoud S. Hammad, Ahmed M. Ebid, Abdel Salaam Ahmed Mokhtar, Mohamed Gamaleldeen Elsayem

Pubblicato 2026-07-03

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Yossef E. Teleb, Mahmoud S. Hammad, Ahmed M. Ebid, Abdel Salaam Ahmed Mokhtar, Mohamed Gamaleldeen Elsayem

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

Il Grande Problema: Indovinare quanto un edificio oscillerà

Immaginate di costruire un grattacielo o un ponte. Queste strutture hanno bisogno di radici profonde, chiamate pali, per rimanere in piedi. A volte, venti forti o terremoti spingono questi edifici lateralmente. Gli ingegneri devono sapere esattamente quanto la parte superiore dell'edificio (il "capostipite" o "pile cap") oscillerà o si sposterà prima che diventi pericoloso.

Tradizionalmente, gli ingegneri hanno due modi per capirlo:

Il metodo della "Regola Empirica": Veloce e facile, ma spesso troppo semplice. È come indovinare il tempo guardando il cielo; funziona a volte, ma manca i dettagli complari.
Il metodo del "Super-Computer" (FEM): Questo utilizza potenti simulazioni fisiche per modellare ogni granello di suolo e ogni crepa nel calcestruzzo. È incredibilmente accurato, ma è come cercare di preparare una torta misurando ogni singola molecola di farina. Ci vuole un'eternità e costa molta potenza di calcolo.

Gli autori di questo articolo volevano trovare una soluzione "Goldilocks" (né troppo calda, né troppo fredda): un metodo che fosse veloce come la regola empirica ma accurato come il super-computer.

La Soluzione: Un team ibrido "Chef e Sous-Chef"

I ricercatori hanno creato un modello ibrido che combina due mondi: la Modellazione a Elementi Finiti (FEM) e l'Intelligenza Artificiale (IA).

Pensatelo come una cucina di un ristorante di alto livello:

Il FEM (Lo Chef Maestro): È l'esperto che conosce perfettamente la fisica. Cucina i pasti "perfetti" (simulazioni) per capire esattamente come reagiscono il suolo e il calcestruzzo. Tuttavia, lo Chef Maestro è lento ed è costoso assumerlo.
L'IA (Il Sous-Chef): È un apprendista veloce. I ricercatori hanno lasciato che lo Chef Maestro cucinasse 450 diversi "piatti" (simulazioni) con ingredienti differenti (tipi di suolo, dimensioni dei pali, spaziatura). L'IA osserva questi 450 piatti, impara gli schemi e poi crea il proprio ricettario.

Una volta che l'IA ha imparato gli schemi, può prevedere il risultato di un nuovo pasto istantaneamente, senza bisogno che lo Chef Maestro lo cucini di nuovo.

Come ci sono riusciti (La Ricetta)

1. La Fase di Addestramento (Cucinare i 450 Piatti)
Il team ha utilizzato un programma per computer (PLAXIS 3D) per simulare 450 scenari diversi. Hanno cambiato gli ingredienti:

Suolo: Argilla morbida rispetto a sabbia dura.
Gruppi di Pali: Un singolo palo rispetto a una grande griglia di pali (come una disposizione 2x2 o 6x6).
Carichi: Quanto è pesante l'edificio e quanto forte spinge il vento.
Crepe nel Calcestruzzo: Hanno modellato specificamente come il calcestruzzo si crepa sotto pressione, il che lo rende più debole (come un ramoscello secco che si spezza).

2. La Trasformazione Magica
I dati grezzi da queste simulazioni erano disordinati, come un enorme mucchio di ingredienti non smistati. Per rendere facile l'apprendimento dell'IA, hanno trasformato le complesse curve di "carico vs oscillazione" in due numeri semplici:

Rigidezza Iniziale: Quanto è difficile iniziare a muovere il palo (come spingere un'auto pesante da ferma).
Capacità Ultima: Quanta forza serve per rompere il sistema (come spingere l'auto finché gli pneumatici non scoppiano).

3. L'Apprendimento dell'IA (Il Sous-Chef diventa intelligente)
Hanno inserito questi due numeri in diversi "cervelli" di IA per vedere quale imparasse meglio:

Regressione Lineare: Un semplice indovinare su una linea retta (troppo semplice).
Reti Neurali e Support Vector Machines: Scatole nere complesse difficili da comprendere.
Gradient Boosting (GBR): Si è rivelato essere lo studente modello. Era come un detective che guardava gli indizi uno per uno, correggendo i propri errori finché non otteneva la risposta quasi perfettamente.

Il Risultato: Il modello di IA (GBR) è stato incredibilmente accurato. Ha previsto l'oscillazione con una correlazione di quasi il 99%. Era così bravo che poteva prevedere la risposta in una frazione di secondo, mentre la simulazione fisica richiedeva ore.

Dare un senso alla "Scatola Nera"

Un problema con l'IA è che è spesso una "scatola nera": fornisce una risposta, ma non sai il perché. Gli ingegneri non si fidano di ciò che non possono spiegare.

Per risolvere questo, i ricercatori hanno utilizzato uno strumento chiamato SHAP. Pensate a SHAP come a un traduttore che spiega il processo di pensiero dell'IA. Ha detto loro:

La Geometria è Re: Il numero di pali e quanto sono distanziati tra loro conta di più per quanto peso il gruppo può sostenere.
Il Suolo è Regina: Il tipo di suolo (quanto è rigido o appiccicoso) conta di più per quanto il palo oscilla inizialmente.
Carico Verticale: Mettere più peso verso il basso sul palo aiuta effettivamente a resistere alla spinta laterale (come premere verso il basso su una molla rende più difficile spingerla lateralmente).

La "Formula Magica" (EPR)

Sebbene l'IA fosse ottima per prevedere, i ricercatori volevano anche una formula che gli ingegneri potessero scrivere su carta. Hanno utilizzato un metodo chiamato Regressione Polinomiale Evolutiva (EPR).

Immaginate l'IA che cerca di scrivere una poesia. L'EPR è come uno strumento che prende i pensieri complessi dell'IA e li trasforma in una frase semplice e leggibile (un'equazione matematica).

Perché è importante: Gli ingegneri possono ora usare questa specifica equazione per calcolare l'oscillazione di un gruppo di pali senza bisogno di un supercomputer o di un'IA a scatola nera. Colma il divario tra l'IA ad alta tecnologia e la matematica tradizionale dell'ingegneria.

Cosa hanno scoperto (Il Messaggio Chiave)

Le crepe contano: Per i pali lunghi, il fatto che il calcestruzzo si crepi è un fattore enorme. Se ignorate le crepe, il vostro modello penserà che il palo sia più rigido di quanto non sia in realtà.
Effetto Gruppo: I pali in un gruppo non agiscono solo come pali individuali; interagiscono. Se sono troppo vicini, si "ombreggiano" a vicenda, rendendo il gruppo meno efficiente. L'IA ha imparato esattamente come calcolare questo effetto.
Velocità vs Accuratezza: Il modello ibrido è il meglio di entrambi i mondi. Offre l'accuratezza della lenta simulazione fisica ma gira velocemente come una semplice calcolatrice.

Limitazioni (Le note a margine)

Gli autori sono onesti riguardo a ciò che il loro modello non può ancora fare:

Il Problema del "Plateau": Se la forza che spinge il palo è estremamente alta (oltre quanto hanno simulato), l'IA smette di prevedere accuratamente e fornisce semplicemente una risposta piatta. È come un GPS che smette di dare indicazioni una volta usciti dalla mappa.
Suolo Morbido: Il modello è molto buono per terreni medi o duri, ma fatica un po' con l'argilla molto morbida e spugnosa.
Realtà vs Simulazione: Hanno testato il loro modello contro dati reali (come il progetto della Monorotaia del Cairo) e ha funzionato bene, ma ammettono di aver bisogno di più dati reali da luoghi diversi per renderlo perfetto.

In breve, gli autori hanno costruito una "palla di cristallo" digitale che usa simulazioni fisiche per addestrare un'IA. Questa IA può ora dire istantaneamente agli ingegneri quanto un gruppo di pali in calcestruzzo oscillerà sotto una spinta laterale, tenendo conto dei tipi di suolo, della spaziatura dei pali e delle crepe nel calcestruzzo, il tutto fornendo una formula matematica chiara su cui possono fare affidamento.

Sintesi Tecnica: Modelli Ibridi (FEM-ML) per la Predizione dello Spostamento Laterale di Cappellotti di Pali sotto Carico Quasi-Statico

1. Definizione del Problema

La predizione accurata dello spostamento laterale dei cappellotti di pali sotto carichi quasi-statici rimane una sfida significativa nell'ingegneria geotecnica a causa della natura complessa e non lineare dell'Interazione Terreno-Struttura (SSI). I metodi analitici tradizionali, come gli approcci dello Stato Limite Ultimo (es. Broms) e i metodi della Reazione del Sottosuolo (es. curve p-y), spesso si basano su semplificazioni che non riescono a catturare le intricate deformazioni del terreno, gli effetti di gruppo e la degradazione strutturale non lineare dei pali in calcestruzzo armato (RC), in particolare la fessurazione. Al contrario, la sofisticata Modellazione a Elementi Finiti (FEM) 3D offre un'elevata fedeltà ma è computazionalmente costosa e dispendiosa in termini di tempo, rendendola inadatta per iterazioni di progettazione rapide. Inoltre, le attuali applicazioni di Machine Learning (ML) in questo dominio soffrono spesso di una mancanza di trasparenza (natura "black-box") e di una scarsità di dataset di alta qualità provenienti da test in campo per pali di grande diametro. Questo studio affronta il compromesso tra accuratezza ed efficienza proponendo un framework ibrido che sfrutta la FEM per generare dati sintetici per l'addestramento di modelli di IA interpretabili e accurati.

2. Metodologia

La ricerca impiega una metodologia ibrida in quattro fasi che combina la simulazione basata sulla fisica con la modellazione guidata dai dati:

Fase 1: Sviluppo e Validazione della FEM

Un robusto modello numerico 3D è stato sviluppato utilizzando PLAXIS 3D (v24.2).

Modelli Costitutivi: Il modello Hardening Soil (HS) ha simulato il comportamento del terreno, mentre il Concrete Model (CM) è stato utilizzato per i pali in RC per simulare esplicitamente la fessurazione e la riduzione della rigidezza flessionale. L'armatura in acciaio è stata modellata come elementi a piastra incorporati con elementi di interfaccia per simulare il comportamento bond-slip.
Validazione: Il framework FEM è stato confrontato con tre test di carico su scala reale: due dal Progetto della Monorotaia del Cairo (Pali 60C00 e NCC19) e uno dal Test di Carico sui Pali di Kiev. L'inclusione del CM ha migliorato significativamente l'accuratezza per i pali lunghi rispetto ai modelli Lineari Elastici (LE), con errori rimasti entro un intervallo ingegneristico accettabile (es. da -3,71% a 2,54%).

Fase 2: Studio Parametrico e Generazione di Dati Sintetici

A seguito della validazione, uno studio parametrico completo ha generato 450 simulazioni FEM 3D uniche coprendo:

Configurazioni: Pali singoli e gruppi quadrati (2×2, 4×4, 6×6).
Geometria: Rapporti Spaziatura-Diametro (S/D) da 2 a 8 e Rapporti Lunghezza-Diametro (L/D) di 10, 20 e 30.
Profili del Terreno: Sei tipologie (3 argille coesive, 3 sabbie incoesive) utilizzando il modello HS.
Carico: Carichi laterali quasi-statici fino a 25 mm di spostamento, con carichi verticali variabili per isolare l'influenza assiale.
Trasformazione dei Dati: Le curve carico-spostamento grezze sono state adattate a una funzione iperbolica per estrarre due target fisicamente significativi: la Rigidezza Iniziale ( $K_{init}$ ) e la Capacità Laterale Ultima ( $P_{ult}$ ). Questi target sono stati trasformati in scala logaritmica per normalizzare la varianza dei dati.

Fase 3: Sviluppo del Modello di IA

Il dataset sintetico è stato suddiviso (80/20) in set di addestramento e di test per terreni sabbiosi e argillosi. Diversi algoritmi di ML sono stati addestrati per mappare sette caratteristiche di input (spaziatura, numero di pali, lunghezza, carico verticale, modulo di Young, peso specifico e parametri di resistenza al taglio) verso i target di output:

Algoritmi: Regressione Lineare (baseline), Gradient Boosting Regressor (GBR), Support Vector Regression (SVR) e Multi-Layer Perceptron (MLP).
Ottimizzazione: Gli iperparametri per i modelli non lineari sono stati ottimizzati tramite Particle Swarm Optimization (PSO) per minimizzare l'RMSE della Cross-Validation a 5 pieghe.
Interpretabilità: La Regressione Polinomiale Evolutiva (EPR) è stata impiegata per derivare equazioni matematiche simboliche trasparenti. L'analisi SHAP (SHapley Additive exPlanations) è stata applicata ai migliori modelli GBR per quantificare l'importanza delle caratteristiche.

3. Risultati Chiave

Prestazioni del Modello

Superiorità del GBR: Il modello GBR ottimizzato tramite PSO ha raggiunto la massima accuratezza predittiva. Per la predizione della rigidezza dell'argilla, ha raggiunto un coefficiente di correlazione prossimo a 0,99 con un RMSE basso come 0,015. Ha superato costantemente le architetture SVR e MLP in tutti i dataset.
Trasparenza EPR: I modelli EPR hanno generato con successo equazioni simboliche a forma chiusa (es. Eq. 3–6) che mettono in relazione gli input geotecnici con le risposte dei pali, offrendo un equilibrio tra accuratezza e interpretabilità ingegneristica.

Approfondimenti Parametrici

Effetti di Gruppo: L'aumento del numero di pali ha migliorato significativamente sia la rigidezza iniziale che la capacità ultima, con un incremento della capacità più dominante nei terreni sabbiosi.
Spaziatura: Una spaziatura più ampia ha ridotto l'effetto di "ombreggiamento", aumentando generalmente la capacità, sebbene la dimensione del gruppo sia stata il fattore determinante principale.
Carico Verticale: I carichi verticali hanno aumentato significativamente la capacità laterale ultima (grazie al confinamento e alla ritardata fessurazione) ma hanno avuto un effetto trascurabile sulla rigidezza elastica iniziale.
Rigidezza del Terreno: Il modulo elastico del terreno è stato il parametro governante primario per la rigidezza iniziale.

Validazione e Limitazioni

Validazione in Campo: Il modello GBR è stato validato rispetto a un caso reale (Raj et al., 2024) e ha mostrato un'alta correlazione nel range elastico iniziale ( $y < 0,02$ m). Tuttavia, a spostamenti più elevati ( $y > 0,05$ m), il modello ha tenduto a sottostimare la capacità ultima, probabilmente a causa del focus dei dati di addestramento sullo spostamento iniziale di 0,025 m e delle limitazioni dei parametri del terreno equivalenti in depositi stratificati.
Benchmark: Rispetto ai metodi classici (Broms, LPile), il modello GBR ha performato bene per i limiti di esercizio (errore ±20%), ma ha mostrato un "effetto plateau" per la capacità ultima in regimi di alta capacità, un limite noto dei modelli ensemble basati su alberi che non possono estrapolare oltre i massimi dei dati di addestramento.

4. Significato e Contributi

Il documento sostiene che questo approccio ibrido FEM-IA fornisce uno strumento altamente accurato e guidato dai dati che migliora l'affidabilità ed l'efficienza della progettazione delle fondazioni su pali laterali. I suoi contributi primari includono:

Colmare il Divario tra Accuratezza ed Efficienza: Lo studio dimostra che i modelli ibridi possono fornire l'accuratezza rigorosa della modellazione numerica 3D in una frazione del tempo richiesto per la simulazione diretta, rendendoli adatti per le iterazioni di progettazione preliminare.
Affrontare il Problema della "Black-Box": Integrando EPR e SHAP, lo studio trasforma le predizioni opache dell'IA in strumenti spiegabili. L'analisi SHAP ha confermato che l'IA ha appreso i principi fisici, come la dominanza della geometria sulla capacità e delle proprietà del terreno sulla rigidezza.
Modellazione Esplicita della Fessurazione del RC: La validazione ha evidenziato la necessità critica di utilizzare modelli costitutivi avanzati (CM) per catturare la fessurazione del calcestruzzo, che influenza significativamente la rigidezza flessionale e lo spostamento dei pali lunghi.
Equazioni di Progettazione Simboliche: Le equazioni derivate dall'EPR offrono agli ingegneri relazioni trasparenti a forma chiusa per predire le risposte dei gruppi di pali, facilitando l'integrazione diretta nei flussi di lavoro di progettazione senza dipendere da software complessi.

Gli autori concludono che, sebbene l'attuale modello sia uno strumento robusto per terreni mediamente duri sotto carichi operativi, il lavoro futuro deve concentrarsi sull'espansione dei dataset con diverse misurazioni in campo, l'integrazione di profili di terreno multistrato complessi e l'avanzamento delle Reti Neurali Informate dalla Fisica (PINNs) per gestire in modo più efficace i problemi di SSI 3D su larga scala.