⚡ electrical engineering

A Physics-Informed Machine Learning Approach for Predicting Punching Shear Strength of Reinforced Concrete Flat Slabs

Questo studio propone un framework di apprendimento automatico interpretabile e basato sulla fisica che combina la regressione XGBoost con una trasformazione logaritmica per derivare un'equazione di legge di potenza altamente accurata e trasparente per la previsione della resistenza al taglio per punzonamento delle solette piatte in calcestruzzo armato, superando significativamente le disposizioni convenzionali ACI 318-19 pur mantenendo l'usabilità pratica per gli ingegneri strutturisti.

Autori originali: Aaqib Ali, Aslam Faqeer Mohammad

Pubblicato 2026-08-31

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Aaqib Ali, Aslam Faqeer Mohammad

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

Nel mondo dell'edilizia moderna, i solai piani in calcestruzzo sono una scelta comune per tutto, dagli condomini ai parcheggi. Offrono un aspetto pulito e aperto e permettono layout interni flessibili, ma comportano una sfida strutturale nascosta. Quando un carico pesante preme su un pavimento, la forza deve viaggiare dall'ampia soletta verso la stretta colonna che la sostiene. In questo punto di giunzione, il calcestruzzo è sottoposto a uno stress intenso e localizzato che può causarne il cedimento improvviso e senza preavviso. Questo tipo di cedimento, noto come punzonamento (punching shear), avviene quando il calcestruzzo attorno alla colonna si crepa e si stacca, proprio come un tagliabiscotti che buca l'impasto. Se ciò accade, il pavimento può crollare su quello sottostante, potenzialmente innescando una reazione a catena che può abbattere l'intero edificio.

Per decenni, gli ingegneri si sono affidati a regole empiriche standard per prevenire questo disastro. Queste regole, presenti nei codici edilizi, utilizzano una matematica semplificata per stimare quanto peso una soletta possa sostenere prima di essere punzonata. Sebbene queste formule siano facili da usare, si basano su dati datati e fanno assunzioni generiche che spesso trascurano la complessa realtà di come il calcestruzzo e l'acciaio interagiscono tra loro. Possono essere eccessivamente prudenti, portando a uno spreco di materiali, o pericolosamente ottimiste in situazioni specifiche. Per risolvere questo problema, i ricercatori hanno iniziato a rivolgersi al machine learning, un tipo di intelligenza informatica in grado di trovare schemi in enormi quantità di dati. Tuttavia, questi modelli informatici sono spesso considerati "black box" (scatole nere), il che significa che forniscono una risposta senza spiegare come ci siano arrivati, il che rende gli ingegneri esitanti a fidarsi di essi per calcoli relativi alla sicurezza della vita umana.

Un team di ricercatori presso la NED University of Engineering and Technology in Pakistan ha sviluppato un nuovo approccio che colma questa lacuna. Volevano creare uno strumento di previsione che fosse accurato come i più intelligenti modelli informatici, ma chiaro e utilizzabile come le regole tradizionali che gli ingegneri già conoscono. Per farlo, hanno raccolto una vasta collezione di risultati di test reali da laboratori di tutto il mondo. Il loro database includeva 408 diversi campioni di solette in calcestruzzo, testati fino al cedimento. Questi test variavano ampiamente nelle loro proprietà, utilizzando calcestruzzo con resistenze comprese tra 16,5 e 119 megapascal e solette con spessori efficaci tra 70 e 456 millimetri. I ricercatori hanno inoltre esaminato le dimensioni delle colonne di supporto e la quantità di armatura in acciaio all'interno del calcestruzzo.

Il team ha inizialmente inserito questi dati in un potente algoritmo di machine learning chiamato XGBoost. Questo sistema ha agito come un detective altamente specializzato, analizzando migliaia di combinazioni di resistenza del calcestruzzo, rapporti di acciaio e dimensioni per apprendere esattamente come influenzassero il punto di cedimento. Il modello informatico ha appreso che i fattori più critici erano lo spessore della soletta, la dimensione della colonna e la quantità di armatura in acciaio, insieme a una misura calcolata del perimetro attorno alla colonna dove si sarebbe verificato il cedimento. Il modello di machine learning si è dimostrato straordinariamente accurato, prevedendo correttamente il carico di rottura per il 95,95 percento delle variazioni dei dati. Al contrario, la formula del codice edilizio standard ha catturato solo circa l'81,85 percento delle variazioni.

Ancora più importante, i ricercatori non si sono fermati a una previsione informatica. Hanno tradotto i complessi schemi appresi dalla macchina in un'unica, semplice equazione matematica che qualsiasi ingegnere potrebbe utilizzare con una calcolatrice di base. Questa nuova formula appare e si comporta come le regole tradizionali presenti nei codici edilizi, ma è costruita sulla comprensione più profonda fornita dal machine learning. Quando testata contro gli stessi dati, questa nuova equazione ha ridotto l'errore medio di previsione di quasi il 60 percento rispetto allo standard di legge. Mentre il vecchio codice spesso sottostimava la resistenza delle solette pesantemente armate o sovrastimava la sicurezza di quelle sottili, la nuova formula si adattava a queste sfumature, fornendo una stima molto più affidabile di quando una soletta avrebbe ceduto.

Lo studio conferma che il nuovo metodo non è solo un trucco statistico, ma è radicato nella fisica reale del comportamento del calcestruzzo. I ricercatori hanno scoperto che il computer ha identificato correttamente gli stessi principi fisici che gli esperti umani hanno compreso da tempo: che una soletta più profonda e un perimetro più ampio attorno alla colonna forniscono maggiore resistenza al cedimento. Combinando il potere di riconoscimento dei pattern del machine learning con la trasparenza di una formula semplice, il team ha creato uno strumento che è sia altamente accurato che facile da fidarsi. Questo lavoro suggerisce che il futuro della progettazione strutturale non richiede di scegliere tra complessi modelli informatici e regole semplici; al contrario, è possibile utilizzare i primi per perfezionare i secondi, garantendo che gli edifici siano più sicuri ed efficienti senza richiedere agli ingegneri di diventare scienziati dei dati.

Sintesi Tecnica: Un approccio di Machine Learning informato dalla fisica per la previsione della resistenza al punzonamento di solette in calcestruzzo armato

Definizione del Problema
Prevedere accuratamente la capacità di punzonamento ( $V_u$ ) delle solette in calcestruzzo armato (RC) è una sfida persistente nell'ingegneria strutturale a causa delle complesse interazioni non lineari tra le proprietà dei materiali, le caratteristiche dell'armatura e i parametri geometrici. Le convenzionali disposizioni di progettazione, come l'ACI 318-19, si affidano a formulazioni empiriche semplificate. Sebbene siano facili da implementare, queste equazioni presentano spesso un'incertezza di previsione significativa poiché assumono relazioni lineari e trascurano variabili chiave, come il contributo meccanico diretto del rapporto di armatura flessionale ( $\rho$ ). Ciò può portare a progettazioni eccessivamente conservative in regioni altamente armate o a stime liberali e insicure in solette sottili con bassa armatura. Al contrario, sebbene modelli avanzati di Machine Learning (ML) come l'eXtreme Gradient Boosting (XGBoost) offrano una precisione predittiva superiore, la loro natura "black-box" — basata su centinaia di split decisionali discontinui — ne limita l'adozione nella progettazione strutturale pratica, dove sono richieste equazioni a forma chiusa e trasparenti per un calcolo rapido e la conformità ai codici.

Metodologia
Lo studio propone un framework orientato ai codici e basato sui dati che colma il divario tra l'accuratezza del ML ad alta fedeltà e l'utilità pratica per l'ingegneria. La ricerca ha utilizzato un database sperimentale completo composto da 408 campioni di connessione pilastro-soletta interna in calcestruzzo armato provenienti da vari studi storici. La metodologia si è articolata in quattro fasi sistematiche:

Compilazione e Pre-elaborazione dei Dati: È stata compilata una matrice strutturale, pulendo i valori nulli e trasformando il rapporto di armatura ( $\rho$ ) da una percentuale a una scala decimale per garantire l'integrità statistica.
Ingegneria delle Caratteristiche Informata dalla Fisica: Per imporre la trasparenza meccanica, il vettore di input è stato aumentato con caratteristiche informate dalla fisica derivate dalla meccanica strutturale. Nello specifico, sono stati calcolati il perimetro critico di taglio ( $b_0 = 4(c+d)$ ) e la metrica di trazione del calcestruzzo ( $\sqrt{f'_c}$ ). Il vettore di input finale includeva la resistenza a compressione del calcestruzzo ( $f'_c$ ), la resistenza allo snervamento dell'acciaio ( $f_y$ ), l'altezza utile ( $d$ ), la larghezza della colonna ( $c$ ), il rapporto di armatura ( $\rho$ ), $b_0$ e $\sqrt{f'_c}$ .
Addestramento del Modello e Benchmarking: Un regressore XGBoost è stato addestrato sull'80% dei dati (326 campioni) ed è stato validato su un set di test separato del 20% (82 campioni). Le prestazioni del modello sono state messe a confronto con l'equazione empirica standard ACI 318-19.
Motore Multiplicativo di Trasformazione Logaritmica: Per affrontare il limite della "black-box", gli autori hanno sviluppato un motore specializzato. Il dataset è stato mappato nello spazio logaritmico per linearizzare le relazioni, consentendo l'ottimizzazione degli esponenti della legge di potenza tramite regressione dei minimi quadrati. Questi parametri ottimizzati sono stati poi trasformati nuovamente in un'equazione di legge di potenza moltiplicativa compatta a forma chiusa.

Contributi Chiave

Sviluppo di un'Equazione di Progettazione Interpretabile: Il contributo primario è la derivazione di una standalone, equazione di legge di potenza a riga singola ( $V_u = \alpha \cdot (f'_c)^a \cdot (f_y)^b \cdot (d)^c \cdot (c)^e \cdot (\rho)^g$ ) che mantiene l'accuratezza predittiva di un complesso modello ML pur aderendo al formato dei codici di progettazione convenzionali.
Integrazione di Caratteristiche Informate dalla Fisica: Lo studio dimostra che l'incorporazione di parametri fisici specifici del dominio (perimetro critico di taglio e resistenza a trazione del calcestruzzo) nel feature space del ML migliora la capacità del modello di catturare relazioni fisicamente significative.
Superiorità Quantitativa rispetto ai Codici Empirici: Il framework fornisce un confronto statistico rigoroso che mostra come l'approccio derivato dal ML superi significativamente le disposizioni del codice ACI 318-19 in termini di spiegazione della varianza e minimizzazione dell'errore.

Risultati
Le prestazioni dei framework proposti sono state valutate utilizzando il Coefficiente di Determinazione ( $R^2$ ), l'Errore Assoluto Medio (MAE) e l'Errore Quadratico Medio (RMSE) sul set di test indipendente:

Modello XGBoost: Ha raggiunto un $R^2$ di 0,9595, con un MAE di 26,21 kN e un RMSE di 43,79 kN.
Formula Multiplicativa Derivata: Ha raggiunto un $R^2$ di 0,9542, con un MAE di 35,5 kN e un RMSE di 56,22 kN.
Benchmark ACI 318-19: Ha raggiunto un $R^2$ di 0,8185, con un MAE di 64,42 kN e un RMSE di 92,74 kN.

Il modello XGBoost ha dimostrato un incremento del 17,23% nella spiegazione della varianza rispetto alla baseline ACI 318-19. Inoltre, l'approccio ML ha ridotto il MAE del 59,31% e l'RMSE del 52,78%, indicando una riduzione sostanziale della dispersione predittiva e l'eliminazione degli errori outlier di grande magnitudo. L'analisi dell'importanza delle caratteristiche ha confermato che il modello ha dato priorità alle scale geometriche (altezza utile $d$ e perimetro critico $b_0$ ) e alle proprietà dei materiali ( $\rho$ e $\sqrt{f'_c}$ ) in modo coerente con la classica meccanica della frattura del calcestruzzo.

Significato e Rivendicazioni
L'articolo sostiene che questo approccio riesce a colmare il divario tra l'accuratezza del machine learning ad alta fedeltà e i requisiti pratici della progettazione strutturale. Traducendo complessi pattern algoritmici in un'equazione di legge di potenza moltiplicativa e trasparente, lo studio fornisce agli ingegneri uno strumento che è al contempo altamente accurato e immediatamente utilizzabile sul campo, senza richiedere strumenti computazionali complessi, connettività internet o ambienti di runtime software. L'equazione derivata offre un'alternativa affidabile per la previsione della capacità di punzonamento, potenzialmente riducendo il rischio di cedimento fragile attraverso stime della capacità più precise rispetto agli attuali codici empirici. Gli autori osservano che, sebbene l'attuale modello sia ottimizzato per connessioni pilastro-soletta interne senza armatura trasversale, il framework stabilisce un percorso per estensioni future che includano l'armatura trasversale, il carico eccentrico e geometrie complesse.

Articoli simili