Physics-guided explainable machine learning and uncertainty quantification for predicting unconfined compressive strength of nano shale–quicklime stabilized kaolin clay

Il terreno sotto i nostri piedi è raramente uniforme. In molti luoghi, il suolo è tenero, umido e incline a spostamenti, rendendolo una base scarsa per strade, edifici o ponti. Gli ingegneri sanno da tempo come risolvere questo problema mescolando la terra debole con agenti stabilizzanti come calce o cemento. Questi additivi innescano reazioni chimiche che legano insieme le particelle del suolo, trasformando un ammasso molliccio in un materiale solido e capace di sostenere carichi. Tuttavia, determinare esattamente quanto stabilizzante utilizzare e quanto tempo attendere affinché il suolo si indurisca è un processo lento e costoso. Richiede la miscelazione di decine di diversi lotti in laboratorio, l'attesa di settimane per la maturazione e poi la loro frantumazione per misurarne la resistenza. Per ogni nuovo tipo di suolo o per ogni modifica alla ricetta, questo ciclo deve essere ripetuto, consumando tempo e risorse che potrebbero essere meglio impiegati nella costruzione.

Un team di ricercatori ha sviluppato un nuovo modo per accelerare questo processo senza sacrificare l'accuratezza. Hanno creato un modello informatico che funge da predittore altamente esperto, imparando dagli esperimenti passati per indovinare la resistenza di future miscele di suolo. Ma invece di alimentare semplicemente il computer con dati grezzi, i ricercatori lo hanno istruito a pensare come un ingegnere geotecnico. Hanno costruito il modello utilizzando caratteristiche "guidate dalla fisica" (physics-guided), il che significa che hanno fornito al computer descrittori che riflettono i reali processi fisici e chimici che avvengono nel suolo, come il modo in cui il legante interagisce con il tempo e come cambia la plasticità naturale del suolo. Questo approccio permette al modello di comprendere il "perché" dietro la resistenza, non solo il "cosa". Il risultato è uno strumento in grado di esaminare rapidamente e in modo affidabile potenziali miscele di suolo, aiutando gli ingegneri a decidere quali combinazioni valga la pena testare in laboratorio e quali siano probabilmente destinate a fallire, fornendo al contempo una chiara spiegazione del perché una specifica miscela dovrebbe performare bene.

I ricercatori si sono concentrati su un tipo specifico di trattamento del suolo che coinvolge l'argilla kaolin, un comune suolo debole, stabilizzata con due materiali: lo nano shale, una polvere di roccia finemente macinata, e la calce viva, una forma reattiva di ossido di calcio. Hanno iniziato con un database di 180 misurazioni di laboratorio individuali prese da 36 diversi progetti di miscela. Ogni progetto variava la quantità di nano shale e di calce utilizzate, nonché il numero di giorni in cui il suolo è stato lasciato a maturare. L'obiettivo era prevedere la resistenza alla compressione monoassiale, una misura standard di quanta pressione il suolo possa sopportare prima di rompersi. Per farlo, hanno testato diversi tipi di algoritmi di machine learning, che vanno da semplici equazioni lineari a complesse reti neurali artificiali e avanzati modelli basati su alberi decisionali. Non si sono limitati a dividere i dati in gruppi di addestramento e test casuali, una pratica comune che a volte può nascondere i difetti di un modello. Inveve, hanno utilizzato un metodo rigoroso chiamato validazione incrociata a gruppi nidificati (nested group cross-validation). Ciò ha garantito che il modello venisse testato su progetti di miscela completamente nuovi che non aveva mai visto, impedendogli di limitarsi a memorizzare i risultati di campioni simili e di fornire un falso senso di accuratezza.

Dopo l'addestramento e il test di questi modelli, i ricercatori hanno scoperto che un algoritmo specifico chiamato CatBoost offriva le prestazioni migliori, ma solo dopo aver raffinato le informazioni ricevute. Inizialmente, hanno fornito al modello sette caratteristiche ingegnerizzate progettate per catturare la fisica del processo di stabilizzazione, come la quantità totale di legante utilizzato e come questo interagiva con il tempo di maturazione. Attraverso un attento processo di rimozione delle caratteristiche una alla volta, hanno scoperto che uno di questi input era in realtà ridondante e confondeva il modello. Rimuovendolo, hanno creato una versione snella con sei descrittori chiave che includevano il contenuto totale di legante, l'interazione tra lo nano shale e i giorni di maturazione e una misura della plasticità relativa del suolo. Questo modello raffinato, che hanno chiamato CatBoost-6PG, ha raggiunto un alto livello di accuratezza, prevedendo correttamente la resistenza delle miscele di suolo con un margine di errore di circa 151 kilopascal. Questa prestazione era significativamente migliore dei modelli più semplici e ha persino superato quelli più complessi che non utilizzavano questi input basati sulla fisica.

Il vero valore di questo lavoro, tuttavia, risiede nella sua trasparenza. I ricercatori non si sono fermati nell'ottenere una buona previsione; volevano capire cosa stesse effettivamente imparando il modello. Utilizzando una tecnica chiamata analisi SHAP, hanno mappato quali fattori fossero più importanti. Hanno scoperto che il modello identificava correttamente l'indice di plasticità del suolo — una misura di quanta acqua il suolo può trattenere prima di diventare appiccicoso — come il fattore più critico. Un'alta plasticità portava costantemente a previsioni di resistenza inferiori, il che è perfettamente in linea con la meccanica dei suoli consolidata. Il modello ha anche appreso che il passare del tempo era cruciale, con periodi di maturazione più lunghi che portavano a un suolo più resistente, e che l'interazione tra il legante e il tempo di maturazione era più importante della sola quantità di legante. Ad esempio, il modello ha mostrato che l'aggiunta di più nano shale era utile solo se c'era abbastanza tempo per permettere alle reazioni chimiche di avvenire. Questi approfondimenti confermano che il modello non sta solo trovando schemi statistici, ma sta catturando i reali meccanismi fisici della stabilizzazione del suolo.

Per garantire che le previsioni fossero affidabili, il team ha anche quantificato l'incertezza, ovvero l'intervallo di possibili risultati, per ogni previsione. Hanno simulato migliaia di scenari in cui i valori di input, come la quantità esatta di calce o il tempo di maturazione, venivano leggermente variati per simulare le imperfezioni del mondo reale. Hanno scoperto che la principale fonte di incertezza derivava dalla variabilità dei materiali di input stessi, piuttosto che dai calcoli interni del modello. Quando hanno tenuto conto di questa variabilità, il modello ha fornito un intervallo di previsione che copriva quasi il 90 percento dei risultati effettivi dei test. Ciò significa che, sebbene il modello fornisca un numero specifico per la resistenza attesa, fornisce anche un margine di sicurezza, indicando agli ingegneri quanto quel numero potrebbe fluttuare nella realtà. Questa è una caratteristica vitale per l'ingegneria, dove la sicurezza dipende dalla comprensione dei limiti di una previsione.

Lo studio ha anche esplorato quanto il modello sarebbe stato utile nelle primissime fasi di un progetto, quando gli ingegneri potrebbero non avere ancora dati dettagliati sulle proprietà di compattazione o sui limiti di plasticità del suolo. Hanno testato il modello utilizzando solo le variabili di base del design della miscela: le quantità di nano shale e di calce, e il tempo di maturazione. Sebbene il modello fosse ancora in grado di fare una stima approssimativa con queste informazioni limitate, la sua accuratezza diminuiva significativamente. Questa scoperta è pratica ed onesta: il modello non è un sostituto dei test di laboratorio, ma uno strumento potente per guidarli. Può aiutare gli ingegneri a restringere l'elenco delle miscele promettenti da testare, risparmiando tempo e denaro, ma richiede comunque le proprietà fondamentali del suolo per fornire le sue previsioni più accurate.

In definitiva, questa ricerca offre un ponte tra i dati grezzi e l'intuizione ingegneristica. Combinando il machine learning con una profonda comprensione dei processi fisici in atto, i ricercatori hanno creato uno strumento che è sia accurato che spiegabile. Esso non tratta il suolo come una scatola nera, ma impara le regole di come i leganti, il tempo e le proprietà del suolo interagiscono per creare resistenza. Questo approccio permette un processo di progettazione più efficiente, in cui gli ingegneri possono esaminare con fiducia le miscele e concentrare le loro risorse sulle combinazioni più probabili di successo. Il lavoro dimostra che quando l'intelligenza artificiale è guidata dalle leggi della fisica, può diventare un partner affidabile nel risolvere complesse sfide ingegneristiche, offrendo chiarezza e fiducia nella progettazione delle strutture che sostengono la nostra vita quotidiana.