Application of XGBoost Extreme Gradient Boosting Model in the Evaluation of Shallow Gas Hazards in Urban Strata—A Case Study of a Typical Area in LG City

Sotto le strade di molte città moderne giace uno strato nascosto di gas naturale, intrappolato nel terreno sciolto e saturo d'acqua appena sotto la superficie. Questo non è il gas profondo ad alta pressione utilizzato per alimentare le case, ma una miscela di metano superficiale, spesso di origine biologica, che si accumula in sacche all'interno di sabbia e fango. Poiché si trova così vicino alla superficie, questo gas può accumulare una pressione significativa, creando una minaccia silenziosa per i progetti edilizi, i tunnel della metropolitana e persino le fondamenta degli edifici. Quando gli operai scavano nel terreno o effettuano scavi per un nuovo seminterrato, rischiano di perforare queste sacche pressurizzate, il che può portare a improvvisi crolli del terreno, esplosioni di gas o all'espulsione di suolo e acqua. Per i pianificatori urbani e gli ingegneri, la sfida è stata a lungo sapere esattamente dove esistono queste sacche pericolose prima di iniziare a scavare. Tradizionalmente, la previsione di questi pericoli si è basata molto sull'esperienza dei geologi e sull'interpretazione degli strati rocciosi locali, un metodo che funziona bene in alcuni luoghi ma che fatica a cogliere i modelli complessi e variabili di accumulo del gas negli ambienti urbani densi.

Per affrontare questa incertezza, un team di ricercatori si è rivolto a un approccio diverso, utilizzando uno potente strumento di apprendimento informatico per mappare i rischi nascosti a Longgang, una città costiera nella provincia di Zhejiang, in Cina. Invece di fare affidamento solo l'intuizione umana, il team ha inserito una enorme quantità di dati geologici in un algoritmo noto come XGBoost, un tipo di modello di apprendimento automatico progettato per trovare schemi sottili in set di dati complessi. I ricercatori hanno raccolto informazioni su otto condizioni specifiche che influenzano se il gas si accumulerà e causerà problemi: la profondità del gas, la pressione esercitata, il numero di strati ricchi di gas, la quantità di carbonio organico nel suolo, il contenuto d'acqua, la porosità del terreno, i livelli di saturazione del gas e la pressione complessiva della formazione. Hanno trattato la città come una gigantesca griglia, dividendola in piccoli quadrati e classificando ciascuno di essi in base al fatto che fosse un sito noto di crollo del terreno o un'area sicura. Addestrando il computer a riconoscere la combinazione di fattori presenti nei punti pericolosi rispetto a quelli sicuri, il modello ha imparato a prevedere dove potrebbero esistere rischi simili altrove.

I risultati di questo addestramento digitale sono stati sorprendenti. Il modello informatico, una volta perfezionato con un metodo sofisticato per trovare le impostazioni perfette per i suoi calcoli, si è dimostrato altamente accurato nel distinguere tra terreno sicuro e zone pericolose. Quando testato contro dati reali, il modello ha ottenuto un punteggio elevato che indica la sua capacità di separare in modo affidabile le aree pericolose da quelle sicure, molto meglio di un semplice caso. L'analisi ha rivelato che il fattore più critico nella previsione di un disastro era semplicemente il numero di strati contenenti gas presenti nel suolo; più strati di terreno ricco di gas sono sovrapposti, maggiore è il rischio. A seguire da vicino c'erano la saturazione del gas e la porosità del terreno. Il modello ha anche chiarito come certi fattori agiscano contro il pericolo, mostrando che un maggiore contenuto di carbonio organico e specifiche condizioni di pressione aiutano effettivamente a sopprimere il rischio di un'eruzione.

Utilizzando queste intuizioni, i ricercatori hanno generato una mappa dettagliata di Longgang che codifica la città tramite colori in base al suo livello di rischio. La mappa ha mostrato che, sebbene la maggior parte della città rientri in una categoria di rischio moderato, specifici quartieri, in particolare le comunità di Dongpai e Xipai, si trovano in zone ad alta suscettibilità. Questo dato concorda strettamente con i record storici, poiché quasi tutti i crolli del terreno già avvenuti nell'area sono accaduti all'interno delle zone identificate dal modello come ad alto rischio. Lo studio dimostra che gli strumenti basati sui dati possono decodificare con successo i complessi segnali geologici del gas superficiale, offrendo un modo più preciso per identificare le zone di pericolo rispetto ai soli metodi tradizionali. Sebbene l'attuale modello si basi su dati geologici statici e non tenga ancora conto delle attività umane dinamiche o delle reazioni a catena che potrebbero innescare un crollo, esso fornisce una solida base per la futura pianificazione della sicurezza. Individuando dove il terreno è più propenso a cedere, questo approccio aiuta città come Longgang a prepararsi alle forze invisibili sotto i loro piedi, garantendo che le future costruzioni possano procedere con una comprensione più chiara dei rischi sottostanti.