Evidence-Constrained Machine-Learning Prediction and LLM-Assisted Controlled Online Updating for the Ultimate Axial Capacity of Concrete-Filled Steel Tube Columns

Nel mondo dell'ingegneria civile, alcuni dei blocchi costruttivi più forti ed efficienti non sono fatti di un singolo materiale, ma di due che lavorano insieme. Immaginate un tubo d'acciaio riempito di calcestruzzo. L'acciaio agisce come una pelle tesa che comprime il calcestruzzo, impedendogli di creparsi sotto pressione, mentre il calcestruzzo all'interno impedisce alle sottili pareti d'acciaio di instabilizzarsi o collassare verso l'interno. Questa partnership crea una colonna che è molto più forte di quanto ciascun materiale potrebbe essere da solo. Queste colonne composite sono ampiamente utilizzate in grattacieli, ponti e strutture resistenti ai terremoti perché sono convenienti, facili da costruire e incredibilmente resilienti. Tuttavia, sapere esattamente quanto peso può sopportare una tale colonna prima di cedere è un calcolo complesso. Gli ingegneri si sono affidati a lungo a test fisici e formule matematiche per stimare questo limite, ma la vasta varietà di dimensioni, materiali e forme rende difficile una previsione perfetta.

Un team di ricercatori ha sviluppato un nuovo modo per affrontare questo problema, combinando il potere di riconoscimento dei pattern del machine learning con la facilità conversazionale dell'intelligenza artificiale moderna. Invece di costringere gli ingegneri a inserire numeri in rigidi fogli di calcolo, hanno creato un sistema che consente agli utenti di descrivere una colonna in semplice linguaggio naturale e ricevere una previsione precisa della sua forza. Il sistema, che gli autori chiamano StructureGPT, non indovina la risposta; utilizza un modello matematico altamente addestrato per calcolare il risultato, mentre un assistente linguistico gestisce la conversazione e ne spiega il ragionamento. Questo approccio mira a rendere l'analisi strutturale avanzata più accessibile, garantendo al contempo che i numeri rimangano ancorati alla fisica del mondo reale.

I ricercatori hanno iniziato raccogliendo una vasta collezione di dati da studi scientifici passati. Hanno compilato informazioni su quasi 3.200 colonne reali testate in laboratorio, comprensive di forme circolari e rettangolari. Per ogni campione, hanno registrato dettagli come l'altezza, lo spessore dell'acciaio, la resistenza del calcestruzzo e il modo in cui il carico veniva applicato. Hanno poi istruito sei diversi algoritmi di apprendimento automatico per trovare i modelli nascosti in questi dati, chiedendo essenzialmente ai computer di apprendere la relazione tra le dimensioni fisiche e il peso massimo che la colonna può sostenere. Dopo aver testato questi algoritmi contro una porzione dei dati che non avevano mai visto prima, un metodo è emerso come il vincitore netto. Una tecnica nota come gradient boosting, che costruisce una previsione combinando molti semplici alberi decisionali, si è dimostrata la più accurata. Per le colonne circolari, ha previsto la resistenza con un margine di errore di circa 669 kilonewton, e per quelle rettangolari l'errore era ancora minore, circa 304 kilonewton. Questi risultati sono stati significativamente migliori di altri metodi testati, inclusi le equazioni lineari standard e le reti neurali.

Per garantire che il sistema non fosse solo una "scatola nera" che forniva risposte senza spiegazioni, i ricercatori hanno utilizzato uno strumento diagnostico per vedere quali fattori fossero più rilevanti. Hanno scoperto che il diametro del tubo e lo spessore dell'acciaio erano le variabili più influenti per le colonne circolari, mentre la larghezza e l'altezza della sezione trasversale erano fondamentali per quelle rettangolari. Ciò si allinea all'intuizione ingegneristica: una colonna più larga o più spessa generalmente sostiene più peso. Tuttavia, i ricercatori sono stati attenti a sottolineare che questi modelli si basano sui dati in loro possesso e devono essere verificati rispetto alle leggi fisiche. Il computer impara dai numeri, ma non comprende intrinsecamente la fisica dell'acciaio e del calcestruzzo, quindi l'ingegnere umano deve comunque verificare che i risultati abbiano senso.

La parte più innovativa di questo lavoro è il modo in cui il sistema gestisce le nuove informazioni. In un aggiornamento software tradizionale, un modello viene addestrato una volta e poi congelato. Qui, i ricercatori hanno costruito un meccanismo di sicurezza che consente al sistema di apprendere da nuovi dati man mano che diventano disponibili, ma solo se tali dati sono affidabili. Hanno testato questo aspetto fornendo al sistema un flusso di nuovi risultati sperimentali verificati uno alla volta. Prima che il sistema accettasse un nuovo pezzo di informazione per aggiornare la sua conoscenza interna, eseguiva un controllo rapido. Se il nuovo dato appariva come un valore anomalo o se l'aggiornamento del modello lo avrebbe reso meno preciso nel prevedere altri casi noti, il sistema rifiutava il cambiamento e tornava allo stato precedente. Nel loro esperimento con le colonne rettangolari, il sistema ha accettato circa 31 aggiornamenti su 78 nuovi campioni, perfezionando con successo le proprie previsioni senza perdere l'accuratezza sul set di test originale. Questo approccio "a soglia di validazione" assicura che il sistema diventi più intelligente nel tempo senza disimparare accidentalmente ciò che già sa.

Infine, il team ha avvolto questi potenti motori di calcolo in un'interfaccia facile da usare che sembra una conversazione. Un utente può digitare una richiesta come: "Qual è la capacità di una colonna rettangolare con una larghezza di 400 millimetri e uno spessore dell'acciaio di 30 millimetri?". Il sistema estrae i numeri specifici, controlla che siano entro un intervallo ragionevole e poi esegue il calcolo. Restituisce la resistenza prevista in kilonewton e offre una spiegazione in linguaggio semplice del perché è stata raggiunta quella cifra, evidenziando i fattori più importanti. Se l'utente fornisce successivamente una misurazione reale da un test completato, il sistema può usare questa per migliorare se stesso, a condizione che il nuovo dato superi i controlli di sicurezza. Ciò crea un ciclo in cui l'esperienza umana e la precisione della macchina lavorano insieme, permettendo agli ingegneri di ottenere rapidamente approfondimenti basati sui dati, mantenendo al contempo un controllo rigoroso sulla affidabilità dei risultati.

Lo studio conclude che, sebbene questo sistema rappresenti un passo avanti significativo nel rendere l'analisi strutturale interattiva e adattiva, non è un sostituto del giudizio professionale. Le previsioni si basano sui dati specifici su cui il sistema è stato addestrato, e i ricercatori riconoscono che il modello necessita di ulteriori test contro diversi tipi di fonti di dati per garantire che funzioni universalmente. Notano inoltre che l'attuale versione utilizza il modello linguistico solo per parlare con l'utente ed estrarre numeri, lasciando il lavoro pesante del calcolo ai modelli di regressione specializzati. Questa separazione è intenzionale, per garantire che i numeri rimangano tracciabili e riproducibili. Combinando l'apprendimento automatico ad alta precisione con un metodo controllato per apprendere da nuovi dati, i ricercatori hanno costruito un prototipo che potrebbe aiutare gli ingegneri a prendere decisioni migliori e più rapide nella progettazione di edifici più sicuri ed efficienti.