Parameter optimization, shaking table test, and intelligent response prediction of adjacent structures connected by viscous dampers

Immaginate due edifici alti che svettano l'uno accanto all'altro in una città affollata. Quando il terreno inizia a tremare durante un terremoto, questi edifici non si limitano a oscillare; danzano ai propri ritmi unici. Se un edificio è alto e rigido mentre il suo vicino è più basso e flessibile, potrebbero oscillare fuori sincrono. Questo è un po' come due ballerini che cercano di muoversi insieme ma finiscono per calpestarsi i piedi a vicenda, il che può portare a una collisione dolorosa o "pounding" che danneggia entrambe le strutture. Gli ingegneri sanno da tempo che aggiungere un ammortizzatore — come un gigantesco, ipertecnologico ammortizzatore per auto — tra gli edifici può aiutare a muoversi in armonia e ad assorbire l'energia delle scosse. Ma ecco la parte difficile: capire esattamente dove posizionare questi ammortizzatori e quanto debbano essere forti è un enorme rompicapo. Se si sbaglia previsione, gli ammortizzatori potrebbero non aiutare affatto, o potrebbero persino peggiorare la situazione. Questa è la sfida che i ricercatori devono affrontare: come calibrare perfettamente questi "ammortizzatori sismici" affinché gli edifici vicini rimangano sicuri e stabili durante una scossa.

In questo studio, un team di ricercatori della Università di Fuzhou ha deciso di risolvere questo rompicapo utilizzando un mix di matematica computazionale super intelligente, esperimenti fisici e intelligenza artificiale. Hanno iniziato costruendo un gemello digitale di due torri adiacenti — una alta 15 piani e l'altra alta 7 piani — e hanno utilizzato un "algoritmo genetico" (pensa a un processo di evoluzione digitale che prova migliaia di configurazioni casuali di ammortizzatori e tiene solo le migliori) per trovare la ricetta perfetta. Hanno scoperto che posizionare gli ammortizzatori in piani specifici e calibrare la loro forza poteva ridurre significamente l'oscillazione degli edifici. Per assicurarsi che la loro matematica computazionale non fosse solo una fantasia, hanno costruito un piccolo modello in scala 1/20 di queste torri e lo hanno testato su una grande tavola vibrante in un laboratorio. I risultati sono stati promettenti: il modello reale si è comportato quasi esattamente come previsto dal computer, e l'aggiunta degli ammortizzatori ha ridotto l'oscillazione della cima della torre principale fino al 35% e quella della torre più piccola di quasi il 49%.

Ma i ricercatori non si sono fermati lì. Si sono resi conto che eseguire una complessa simulazione al computer ogni volta che colpisce un nuovo terremoto è troppo lento per le emergenze del mondo reale. Così, hanno insegnato a un "cervello informatico intelligente" (una rete neurale) a prevedere la reazione degli edifici in un lampo. Alimentando questa IA con migliaia di scenari derivati dai loro esperimenti, hanno creato un modello capace di indovinare l'oscillazione e l'oscillazione massima degli edifici con un'accuratezza superiore al 92%, quasi istantaneamente. Il loro lavoro suggerisce che l'uso di molteplici ammortizzatori in punti diversi funziona meglio di uno solo e che questa smart combinazione di ottimizzazione, test fisici e previsione tramite IA offre un nuovo modo potente per mantenere le nostre città sicure quando il terreno inizia a muoversi.

L'evoluzione digitale e il test fisico

I ricercatori hanno affrontato il problema di collegare due edifici di diverse dimensioni (una struttura "principale" di 15 piani e una "sottostruttura" di 7 piani) con smorzatori viscosi. Sapevano che non bastava indovinare dove posizionare gli ammortizzatori. Invece, hanno costruito un sistema sofisticato che combinava MATLAB (un software matematico) con SAP2000 (un programma di ingegneria strutturale). Hanno utilizzato un Algoritmo Genetico (GA), che funziona un po' come la selezione naturale. Immaginate un computer che genera migliaia di idee casuali su dove posizionare gli ammortizzatori e quanto dovrebbero essere forti. Poi "testa" queste idee in un mondo virtuale. Le idee che funzionano meglio — ovvero quelle che riducono maggiormente l'oscillazione — vengono mantenute e "incrociate" tra loro per creare idee ancora migliori per il round successivo. Questo processo si ripete finché il computer non trova la configurazione assoluta migliore.

Hanno testato due scenari principali:

1. ASVD-1: un sistema con un singolo set di ammortizzatori.
2. ASVD-2: un sistema con due set di ammortizzatori posizionati in diverse località.

Il computer ha determinato che, per le torri specifiche che stavano studiando, la migliore posizione per un singolo ammortizzatore era al 7° piano, mentre la migliore configurazione a due ammortizzatori prevedeva di posizionarli al 1° e al 7° piano. La "forza" ottimale (coefficiente di smorzamento) variava a seconda del tipo di terremoto, da 260 Ns/mm a 340 Ns/mm.

Lo scuotimento del mondo reale

Per dimostrare che il loro computer non stava solo sognando, il team ha costruito un modello fisico. Hanno costruito una torre principale di 15 piani e una sottostruttura di 7 piani utilizzando pareti di taglio in micro-calcestruzzo e telai in rame, scalati a 1/20 delle dimensioni di un edificio reale. Hanno posizionato questo modello su una massiccia tavola vibrante capace di simulare veri terremoti. Hanno testato il modello con tre diversi record sismici famosi: El Centro, San Fernando e SHW2.

I risultati della tavola vibrante sono stati un grande successo. Il comportamento del modello fisico ha corrisposto incredibilmente bene alle previsioni del computer: le "frequenze di vibrazione" naturali del modello reale erano meno del 5% differenti dal modello al computer, e le risposte di oscillazione effettive (quanto si muovevano i piani) erano entro il 10% rispetto alla simulazione. Ciò ha dato ai ricercatori un'alta fiducia nella l'affidabilità del loro metodo di ottimizzazione digitale.

Quando hanno confrontato gli edifici con ammortizzatori con quelli senza, i miglioramenti sono stati evidenti:

• Sotto il terremoto di El Centro: il sistema a singolo ammortizzatore (ASVD-1) ha ridotto lo spostamento massimo della torre principale del 27,33% e l'accelerazione del 24,01%. Il sistema a doppio ammortizzatore (ASVD-2) è andato ancora meglio, riducendo lo spostamento del 35,69% e l'accelerazione del 26,98%. La torre più piccola ha visto guadagni ancora maggiori, con uno spostamento sceso di quasi il 49% con la configurazione a doppio ammortizzatore.
• Sotto il terremoto di San Fernando: il sistema a doppio ammortizzatore ha ridotto lo spostamento della torre principale del 47,68% e l'accelerazione del 19,14%.
• Sotto il terremoto SHW2: il sistema a doppio ammortizzatore ha ridotto lo spostamento della torre principale del 22,19% e l'accelerazione del 20,03%.

I dati hanno costantemente mostrato che ASVD-2 (la configurazione a due ammortizzatori) era la vincitrice. Forniva un controllo migliore sia sulla struttura principale che sulla sottostruttura rispetto alla configurazione a singolo ammortizzatore, suggerendo che distribuire gli ammortizzatori su diversi piani aiuta gli edifici a lavorare insieme in modo più efficace per combattere le scosse.

La palla di cristallo: la previsione dell'IA

Sebbene l'algoritmo genetico trovasse le impostazioni migliori, eseguire quelle complesse simulazioni ogni volta che si presenta un nuovo scenario di terremoto è dispendioso in termini di tempo. Per velocizzare le cose, i ricercatori hanno costruito una rete neurale SSA-BP. Pensate a questo come a una "palla di cristallo" addestrata sui dati dei loro esperimenti e delle loro simulazioni.

Hanno alimentato questo modello di IA con un enorme dataset contenente 100 diversi record sismici (inclusi onde di campo lontano, di campo vicino e impulsi) e varie impostazioni degli ammortizzatori. L'IA ha imparato a prevedere quattro esiti chiave:

1. Spostamento massimo della struttura principale (MSD).
2. Accelerazione massima della struttura principale (MSA).
3. Spostamento massimo della sottostruttura (SD).
4. Accelerazione massima della sottostruttura (SA).

I risultati sono stati impressionanti. Il modello IA ha raggiunto un coefficiente di determinazione (R²) superiore a 0,92 per tutti e quattro gli esiti, sia sui dati di addestramento che su quelli di test. In parole semplici, le previsioni dell'IA erano estremamente vicine ai risultati reali, con un errore minimo. Ad esempio, l'Errore Percentuale Assoluto Medio (MAPE) per la previsione dell'accelerazione della struttura principale era intorno all'8-9%. Ciò suggerisce che in futuro, gli ingegneri potrebbero usare questo strumento di IA per prevedere istantaneamente quanto bene funzionerà un sistema di ammortizzatori senza dover eseguire ore di pesanti simulazioni al computer.

In sintamente

Questo studio suggerisce che collegare edifici adiacenti con ammortizzatori viscosi è un modo altamente efficace per ridurre i danni da terremoto, a patto che gli ammortizzatori siano posizionati e calibrati correttamente. I ricercatori hanno scoperto che l'uso di un algoritmo genetico per ottimizzare la posizione e la forza degli ammortizzatori funziona bene, e che l'uso di due ammortizzatori in posizioni strategiche (come il 1° e il 7° piano nel loro modello) è superiore all'uso di uno solo. Hanno verificato queste scoperte con test reali su tavola vibrante, confermando che i loro modelli computazionali sono accurati. Infine, hanno dimostrato che un modello di IA può apprendere da questi risultati per prevedere rapidamente e con precisione le risposte ai futuri terremoti, offrendo uno strumento promettente per una pianificazione urbana più sicura e resiliente.