An LLM-Driven Agentic Framework for Automated Seismic Soil Liquefaction Hazard Assessment Using SPT- and CPT-Based Machine Learning Models

Quando il terreno trema durante un terremoto, il suolo sotto i nostri piedi può talvolta comportarsi come un liquido. Questo fenomeno, noto come liquefazione del suolo, si verifica quando la sabbia sciolta e umida perde la sua resistenza e rigidità, causando l'affondamento di edifici, il rigonfiamento delle strade e il cedimento delle infrastrutture. È una delle forze più distruttive scatenate dagli eventi sismici, responsabile di danni catastrofici nei grandi terremoti della storia. Per proteggere le comunità, gli ingegneri devono determinare, prima dell'inizio della costruzione, se il terreno in un sito specifico sia incline a trasformarsi in liquido sotto stress. Questa valutazione si basa su due metodi primari di sondaggio del terreno: il Standard Penetment Test (Prova di penetrazione standard), che misura quanto sia difficile spingere un campionatore nel terreno, e il Cone Penetration Test (Prova di penetrazione con cono), che spinge un cono attraverso il suolo per misurare la resistenza in modo continuo. Tradizionalmente, interpretare questi test richiede che un ingegnere geotecnico raccolga manualmente i dati, esegua calcoli complessi e decida quale metodo applicare, un processo che richiede molto tempo ed è soggetto all'errore umano.

Un team di ricercatori provenienti da India, Australia e Stati Uniti ha sviluppato un nuovo sistema progettato per rendere questo controllo critico di sicurezza più veloce e accessibile. Hanno creato un framework automatizzato che combina potenti modelli di apprendimento computazionale con un'intelligenza artificiale sofisticata capace di comprendere il linguaggio umano. Invece di costringere gli ingegneri a formattare i dati in fogli di calcolo rigidi, questo nuovo sistema permette loro di descrivere le condizioni di un sito in semplice linguaggio naturale. Il computer legge poi la descrizione, identifica i dati necessari relativi al suolo e al terremoto, sceglie il metodo di calcolo corretto e fornisce un chiaro rapporto ingegneristico. L'obiettivo non era sostituire il giudizio umano, ma agire come un assistente intelligente capace di gestire il lavoro pesante di elaborazione dei dati e selezione del modello, permettendo agli esperti di concentrarsi sulle decisioni finali di sicurezza.

I ricercatori hanno iniziato insegnando a due programmi informatici separati come prevedere la liquefazione. Un programma è stato addestrato su quasi 2.000 casi reali in cui è stato utilizzato lo Standard Penetration Test, mentre l'altro ha appreso da quasi 500 casi che coinvolgevano il Cone Penetration Test. Questi programmi, basati su una tecnica chiamata extreme gradient boosting, hanno imparato a riconoscere i complessi schemi non lineari tra densità del suolo, livelli dell'acqua e intensità del terremoto che portano al cedimento. Quando testati su nuovi dati mai visti, il programma addestrato sullo Standard Penetration Test ha identificato correttamente se il suolo si sarebbe liquefatto o sarebbe rimasto stabile nel 96 percento dei casi. Il programma addestrato sul Cone Penetration Test ha raggiunto un tasso di successo del 91 percento. Entrambi i sistemi si sono dimostrati altamente affidabili, con il modello dello Standard Penetration Test che mostrava una particolare forza nell'individuare terreni pericolosi e liquefacibili, un tratto cruciale per la sicurezza ingegneristica.

La vera innovazione di questo lavoro risiede nel modo in cui questi strumenti di previsione sono stati collegati a un modello linguistico di grandi dimensioni (large language model), un tipo di intelligenza artificiale progettata per comprendere e generare il linguaggio umano. Nei tentativi precedenti di utilizzare il machine learning per l'ingegneria geotecnica, i modelli informatici erano isolati; potevano funzionare solo se un essere umano estraeva prima ogni singolo numero da un rapporto del sito e lo inseriva nel sistema in un formato specifico. Questo nuovo framework rimuove tale barriera. I ricercatori hanno costruito un "agente", un assistente digitale che funge da cervello dell'operazione. Quando un utente digita una descrizione naturale di un sito — menzionando dettagli come la profondità del suolo, la forza dell'agitazione del terreno o la resistenza misurata da una sonda — l'agente legge il testo, estrae i numeri rilevanti e capisce quale dei due modelli di previsione utilizzare. Se la descrizione contiene dati sulla resistenza del cono, indirizza la richiesta al modello del cono; se contiene conteggi di colpi (blow counts), invia la richiesta al modello del test di penetrazione.

Per garantire che questo sistema funzioni nel mondo reale, il team lo ha testato con dieci diversi scenari, ognuno dei quali descriveva una condizione di sito unica. In ogni singolo caso, l'agente ha estratto correttamente i parametri richiesti dal testo e ha scelto il modello di previsione corretto da eseguire. Ha poi preso l'output grezzo del modello informatico e lo ha tradotto in un rapporto ingegneristico strutturato e professionale che spiegava il rischio e offriva raccomandazioni. Questo flusso di lavoro end-to-end dimostra che è possibile colmare il divario tra dati di campo grezzi e non strutturati e previsioni di machine learning ad alta precisione senza richiedere all'utente di essere un esperto di dati. Il sistema trasforma efficacemente un'analisi ingegneristica complessa e multi-fase in una semplice conversazione.

Tuttavia, i ricercatori sono cauti nel definire i limiti della loro creazione. Essi sottolineano che questo strumento è inteso per lo screening preliminare e il supporto alle decisioni, non come sostituto finale dell'analisi tradizionale o del giudizio professionale. Il sistema è progettato per individuare potenziali pericoli precocemente e snellire il processo di revisione iniziale, ma non può tenere conto di ogni singola sfumatura geologica unica o dell'intera portata della storia di un sito. Per i casi marginali in cui il rischio non è chiaro, o quando i dati in ingresso sono incompleti, il sistema è programmato per raccomandare ulteriori indagini da parte di un ingegnere qualificato. Lo studio conclude che, sebbene il framework automatizzato migliori significativamente l'accessibilità e l'efficienza della valutazione del rischio sismico, esso funziona al meglio come partner dell'esperienza umana, gestendo il lavoro routinario sui dati in modo che gli ingegneri possano concentrarsi sulla sicurezza delle strutture che costruiscono.