A predictive machine-learning and topology-optimization framework for the seismic retrofit of vulnerable housing with UHPC overlays and FRP nanocomposites: transposing the United States experience to Peru

Sintesi Tecnica: Un Framework di ML Predittivo e Ottimizzazione Topologica per il Consolidamento Sismico in Perù

Problematica
Circa il 70% delle abitazioni in Perù è costruito informalmente senza progettazione ingegneristica, prevalentemente utilizzando muratura confinata con resistenze alla compressione inferiori ai minimi richiesti dallo standard NTE E.070. Situati in una zona ad alta sismicità dove è statisticamente atteso un evento con magnitudo $M_w \approx 8.0$, queste strutture affrontano una grave vulnerabilità; sotto uno scenario di intensità-IX, oltre il 32% potrebbe subire danni di Grado 4. Mentre gli Stati Uniti possiedono programmi avanzati di consolidamento (ad es., GRRP) che utilizzano l'apprendimento automatico (ML) e la prioritizzazione assistita dal machine learning, e il Giappone ha codificato le linee guida per l'Ultra-High-Performance Concrete (UHPC) e il Fiber-Reinforced Polymer (FRP) (JBDPA-2001), il Perù manca di un programma nazionale di consolidamento specifico per le abitazioni vulnerabili e di un percorso normativo esplicito per i nanocompositi UHPC e FRP. Inoltre, le attuali equazioni di progettazione empirica per questi materiali spesso sottostimano la capacità rispetto ai modelli ML addestrati su grandi dataset, e l'ottimizzazione topologica (TO) rimane ampiamente assente dal design del consolidamento della muratura.

Metodologia
Lo studio impiega un design di sintesi tecnica transdisciplinare composto da tre pilastri:

1. Analisi Comparativa: È stata sviluppata una matrice quantitativa di undici righe per confrontare le pratiche di consolidamento sismico negli Stati Uniti, in Giappone e in Perù. Questa analisi copre i quadri normativi, le tipologie di edilizia target, gli indici di vulnerabilità, le tecnologie dominanti e l'applicazione di algoritmi ML (specificamente Random Forest, XGBoost e Gradient Boosting Regression Trees).
2. Ottimizzazione Topologica (TO): È stato formulato un problema di sforzo piano bidimensionale per una tipica parete in muratura confinata di 2,40 m $\times$ 2,40 m. Utilizzando il metodo Solid Isotropic Material with Penalization (SIMP), lo studio ha minimizzato l'energia di deformazione soggetto a un vincolo di volume del 30% per il rivestimento in UHPC. Il dominio è stato discretizzato in una mesh di 96 $\times$ 96, con una zona passiva di 50 mm attorno alle colonne di collegamento. L'ottimizzazione ha utilizzato un metodo di criterio di ottimalità con un raggio di filtro di sensibilità di 1,5 larghezze degli elementi.
3. Modellazione Predittiva ed Equazioni Strutturali: Il framework integra le previsioni ML per la resistenza dei materiali con quattro specifiche equazioni di ingegneria strutturale:
   • Penalizzazione SIMP: Per spingere i valori di densità verso stati binari (0 o 1).
   • ACI 440.2R: Per calcolare il contributo dell'FRP alla capacità di taglio nominale.
   • Modello Mander-Priestley-Park: Per determinare la resistenza del calcestruzzo confinato ($f'_{cc}$) di colonne rivestite in UHPC.
   • NTE E.030-2018: Per calcolare lo spettro di pseudo-accelerazione ($S_a$) per la progettazione sismica a Lima.

Risultati Chiave

• Matrice Comparativa: L'analisi rivela che mentre gli Stati Uniti guidano per scala di finanziamento e il Giappone per profondità tecnologica codificata (particolarmente l'uso di UHPC), il Perù è arretrato nell'adozione di ML, nella codificazione dell'UHPC e nell'uso di nanocompositi FRP. Il divario di accuratezza predittiva (valori $R^2$ di ML) è identificato come l'area più azionabile per un miglioramento immediato.
• Esito dell'Ottimizzazione: Il rivestimento in UHPC ottimizzato tramite SIMP è convergito in circa 47 iterazioni. La geometria risultante presenta due puntoni di compressione diagonali che collegano gli angoli della base alle colonne di collegamento superiori, con flange allargate sopra e sotto le aperture. Questo layout si allinea con i percorsi di flusso delle forze e riduce il volume del materiale senza compromettere la rigidezza.
• Performance Predittiva: I modelli ML di riferimento dimostrano un'elevata accuratezza: i modelli Random Forest hanno raggiunto un coefficiente di correlazione di Pearson ($R$) di 0,94 per la resistenza alla compressione dell'UHPC, e i Gradient Boosting Regression Trees hanno raggiunto un $R^2$ di 0,987 per il calcestruzzo confinato con FRP.
• Adattamento Costruttivo: Il documento propone un flusso di processo costruttivo adattando le linee guida giappesi JBDPA-2001 al contesto peruviano. Le chiavi di adattamento includono la sostituzione della stagionatura a vapore con la tradizionale stagionatura umida, il limite dello spessore del rivestimento a 40 mm e l'uso di tasselli epossidici per l'ancoraggio del CFRP, in conformità con NTE E.070-2020.

Significatività e Rivendicazioni
Il documento afferma che la sua novità principale risiede nel primo accoppiamento tra la previsione basata sui dati (ML) e l'ottimizzazione topologica generativa specificamente per la progettazione di strati di consolidamento per l'edilizia informale in Perù. Integrando questi avanzati metodi computazionali con equazioni strutturali consolidate, il framework offre una base quantitativa per dimensionare gli interventi di consolidamento che mirano ai percorsi critici di sforzo piuttosto che applicare un rivestimento completo della parete.

Lo studio asserisce che questo approccio:

1. Trasferisce la Tecnologia: Formalizza una tabella di marcia per trasporre le esperienze statunitensi e giapponesi (modelli di finanziamento e rigore costruttivo) nel contesto normativo e di manodopera peruviana.
2. Ottimizza le Risorse: Permette una strategia di rinforzo mirata che riduce il volume di materiali ad alto costo (UHPC e nanocompositi FRP) mantenendo la capacità di confinamento nelle zone critiche.
3. Fornisce un Framework Replicabile: Codifica un flusso di processo costruttivo e un insieme di quattro moderne equazioni di progettazione che possono servire come riferimento per futuri aggiornamenti normativi e programmi di sussidio, come il "Bono de Proteccion de Vivienda Vulnerable".

Gli autori mantengono una posizione modesta, riconoscendo che il framework non è ancora stato validato sul campo e che i modelli ML si basano su dati di laboratorio. Identificano come lavoro futuro la necessità di validare il sistema attraverso test pilota strumentati, estendere l'ottimizzazione a domini 3D con comportamento della muratura non lineare ed valutare l'incorporazione specifica delle linee UHPC/FRP nella legislazione dei sussidi peruviani.