From Wetting-Front Coalescence to Urban Road Collapse: Interpretable Machine Learning of Hydro-Mechanical Failure under Coupled Rainfall and Pipeline Leakage

Sintesi Tecnica: Dalla Coalescenza del Fronte di Bagnamento al Crollo Stradale Urbano

Definizione del Problema
Il crollo delle strade urbane rappresenta una grave minaccia per la sicurezza pubblica e le infrastrutture nelle aree in rapida urbanizzazione. Mentre la ricerca precedente ha studiato estensivamente separatamente l'erosione indotta da perdite nelle condotte o le frane indotte dalle precipitazioni, il meccanismo di accoppiamento idro-meccanico tra infiltrazione meteorica e perdita della condotta rimane insufficientemente quantificato. Nello specifico, manca una descrizione completa dell'interazione tra il fronte di bagnamento meteorico in migrazione verso il basso e la zona bagnata indotta dalla perdita in espansione verso l'esterno, e di come la loro convergenza trasformi le perturbazioni idrauliche nascoste in un crollo superficiale. I metodi esistenti presentano limitazioni: i test su modelli fisici sono vincolati dalla scala e dai costi; le simulazioni numeriche ad alta fedeltà sono computazionalmente onerose per lo screening rapido di numerosi tratti di tubazione; e molti modelli di machine learning privilegiano l'accuratezza predittiva rispetto all'interpretabilità fisica e alla coerenza dei meccanismi.

Metodologia
Lo studio propone un framework di modellazione a doppio surrogato vincolato dal meccanismo che integra test fisici, simulazione numerica e machine learning interpretabile.

1. Test su Modello Fisico: È stato costruito un modello fisico su larga scala (1,5 m × 1,0 m × 1,2 m) per validare il processo di evoluzione del crollo. Il test ha simulato piogge intermittenti (15 mm/h) e perdite continue della condotta (0,01 MPa) per osservare la migrazione del fronte di bagnamento, la convergenza delle zone e il cedimento superficiale.
2. Modellazione Numerica Idro-Meccanica: È stato sviluppato un modello a elementi finiti 2D a deformazione piana, incorporando la degradazione della resistenza e della rigidezza dipendente dalla saturazione. I parametri chiave (angolo di attrito interno, coesione, modulo elastico) sono stati definiti come funzioni del grado di saturazione ($S_r$) utilizzando relazioni empiriche derivate da prove triassiali su argilla limosa di Hangzhou. Il comportamento idraulico è stato modellato tramite il modello van Genuchten-Mualem (VGM), implementato tramite una subroutine USDFLD per aggiornare dinamicamente le proprietà del materiale.
3. Costruzione del Dataset: Sulla base del modello numerico validato, è stato generato un database a fattore completo di 120 casi numerici. Le variabili di input erano la profondità di interramento della condotta ($D$: 1–6 m), l'intensità delle precipitazioni ($R$: 20–80 mm/giorno) e la pressione di perdita ($L$: 50–90 kPa). Le risposte in uscita erano la profondità di crollo superficiale ($S$), l'area della zona quasi satura ($A_s$) e la profondità del fronte di bagnamento ($Z_w$).
4. Modellazione a Doppio Surrogato:
   • GPR/Kriging: Utilizzato come benchmark per l'interpolazione ad alta precisione e la quantificazione dell'incertezza nello spazio dei parametri a basso numero di campioni e bassa dimensionalità.
   • XGBoost: Selezionato per la predizione delle risposte, la classificazione del rischio e l'interpretazione tramite SHAP (SHapley Additive exPlanations) per garantire che le predizioni del modello siano allineate con i meccanismi fisici.
5. Valutazione del Rischio: È stato sviluppato un indice di rischio ($RI$) completo, normalizzando e mediando le tre variabili di risposta per classificare gli scenari in categorie di rischio basso, medio e alto.

Risultati Chiave

• Meccanismo di Cedimento: Lo studio identifica un processo di cedimento in quattro fasi: (1) pre-bagnamento dello strato superficiale del suolo dovuto alle precipitazioni; (2) espansione della zona bagnata indotta dalla perdita; (3) convergenza dei fronti di bagnamento superiore (meteorico) e inferiore (da perdita), che forma un percorso di indebolimento continuo; (4) propagazione verso l'alto della deformazione che porta al crollo superficiale.
• Fattori Dominanti:
  • Pressione di Perdita ($L$): Il fattore dominante, che contribuisce rispettivamente per il 86,42%, l'87,79% e il 92,77% alla varianza della profondità di crollo ($S$), dell'area della zona quasi satura ($A_s$) e della profondità del fronte di bagnamento ($Z_w$).
  • Intensità delle Precipitazioni ($R$): Agisce principalmente come un amplificatore, dissipando la suzione matriciale e abbassando la soglia di cedimento, contribuendo per circa il 9–10% alla varianza.
  • Profondità di Interramento ($D$): Regola il percorso di convergenza spaziale. Sono state rilevate le risposte superficiali più significative per profondità di interramento intermedie (2–3 m) a causa della convergenza ottimale dei fronti di bagnamento, mentre un interramento maggiore attenua la risposta.
• Prestazioni del Modello:
  • GPR/Kriging ha raggiunto un'accuratezza eccezionale sul set di test indipendente ($R^2$ = 0,997–0,998).
  • XGBoost ha dimostrato una forte capacità predittiva ($R^2$ = 0,962–0,990) e, cosa fondamentale, la sua analisi SHAP ha confermato il meccanismo fisico: dominanza di $L$, amplificazione di $R$ e regolazione di $D$.
  • Il classificatore XGBoost ha raggiunto un'accuratezza del 96,7% nel distinguere i livelli di rischio, senza mancare alcun campione ad alto rischio nel set di test.
• Zonizzazione del Rischio: Le mappe di rischio hanno rivelato che l'aumento dell'intensità delle precipitazioni sposta le condizioni di alto rischio verso pressioni di perdita inferiori. Le zone ad alto rischio sono più prevalenti a profondità di interramento intermedie in condizioni di alta pressione di perdita e forti precipitazioni.

Significato e Rivendicazioni
L'articolo sostiene di fornire uno strumento interpretabile ed efficiente per identificare i tratti di tubazione vulnerabili e supportare ispezioni mirate e la prevenzione dei crolli. I suoi principali contributi sono:

1. Intuizione Meccanicistica: Chiarisce che le precipitazioni e le perdite non sono semplicemente fonti d'acqua additive, ma interagiscono per formare un percorso di indebolimento continuo attraverso la coalescenza dei fronti di bagnamento.
2. Framework Metodologico: Introduce un approccio a doppio surrogato che bilancia l'alta accuratezza di interpolazione (GPR) con l'interpretabilità della classificazione del rischio e la verifica dei meccanismi (XGBoost-SHAP), affrontando il limite della "scatola nera" del machine learning standard nell'ingegneria geotecnica.
3. Applicazione Ingegneristica: Il framework proposto funge da strumento ausiliario graduato per lo schema "screening preliminare - verifica prioritaria - calibrazione sul campo". Consente agli ingegneri di esaminare rapidamente i tratti di tubazione in base ai dati disponibili (profondità, pressione, previsioni meteorologiche) per dare priorità alle risorse per i segmenti ad alto rischio (ad esempio, quelli con alta pressione di perdita, forte esposizione alle precipitazioni e profondità di interramento intermedia).

Gli autori notano con modestia che i livelli di rischio rappresentano classifiche relative all'interno dello specifico spazio dei parametri studiato e non probabilità assolute di cedimento sul campo. L'applicazione pratica richiede un'ulteriore calibrazione utilizzando le condizioni geologiche locali, le geometrie specifiche dei difetti delle tubazioni e i dati di monitoraggio sul campo. Lo studio non pretende di sostituire l'analisi dettagliata specifica per ogni sito, ma piuttosto di ottimizzare l'allocazione delle risorse di ispezione.