⚡ electrical engineering

Interpretable hybrid XGBoost-MH models for predicting crack coalescence stress from direct shear testing of rock-like specimens containing non-persistent joints

Questo studio sviluppa un modello ibrido interpretabile XGBoost-Butterfly Optimization, validato su 450 prove di taglio diretto e integrato in un'interfaccia grafica utente intuitiva, per prevedere accuratamente lo stress di coalescenza delle crepe nelle masse rocciose giuntate, identificando al contempo i principali driver meccanici attraverso l'analisi SHAP.

Autori originali: Fariborz Matinpour, Shadman Mohammadi Bolbanabad, Vahab Sarfarazi, Mohammad Rezaei, Matin Eghdami, Mahdi Hasanipanah

Pubblicato 2026-07-10

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Fariborz Matinpour, Shadman Mohammadi Bolbanabad, Vahab Sarfarazi, Mohammad Rezaei, Matin Eghdami, Mahdi Hasanipanah

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

Immagina di avere un enorme blocco di roccia, ma non è un cubo solido e perfetto. È più simile a un puzzle fatto di pezzi rotti incollati insieme, con crepe che corrono attraverso di esso ma che non arrivano del tutto da una parte all'altra. Queste sono chiamate "giunti non persistenti". Ora, immagina di provare a far scorrere la metà superiore di questo blocco lateralmente mentre lo spingi verso il basso. Cosa succede? La roccia non si limita a scivolare; le crepe iniziano a crescere, si incontrano e, improvvisamente, l'intero blocco si spezza. Il momento esatto in cui le crepe uniscono le forze per rompere la roccia è chiamato Stress di Coalescenza delle Crepe (CCS).

Per molto tempo, capire esattamente quando avviene questo scatto è stato come cercare di indovinare il finale di un romanzo giallo leggendo solo la prima pagina. Gli scienziati hanno condotto centinaia di esperimenti, ma la matematica dietro questo fenomeno è così contorta e complicata che è difficile prevederlo senza dover ripetere ogni singola volta il lavoro sporco in laboratorio.

È qui che entra in gioco questo studio. I ricercatori hanno deciso di insegnare a un cervello informatico super intelligente a essere il detective. Non hanno usato un solo cervello; hanno costruito una squadra di quattro diversi algoritmi "metaeuristici" — pensa a loro come a quattro diversi tipi di cercatori di tesori, ognuno con il proprio modo unico di cercare la risposta migliore. Questi cercatori erano:

Il Grondo (HBA): Un scavatore tenace e implacabile.
La Farfalla (BOA): Un cercatore sensibile che segue le scie odorose.
Il Corvo (CSA): Un uccello intelligente che ricorda dove ha nascosto il cibo e osserva gli altri.
Il Lupo Grigio (GWO): Un capo branco che coordina la caccia.

Il loro compito era quello di regolare un potente strumento di apprendimento automatico chiamato XGBoost. Pensa a XGBoost come a una calcolatrice molto veloce e molto accurata che può imparare dai pattern. Ma come un personaggio di un videogioco, ha bisogno che le sue impostazioni siano regolate perfettamente per dare il meglio di sé. I quattro "cercatori" (algoritmi) hanno gareggiato per trovare le impostazioni perfette per la calcolatrice.

La Grande Scoperta
Il team ha eseguito 450 prove di taglio diretto su campioni simili alla roccia composti da gesso e cemento. Hanno elaborato tutti questi dati e lasciato che i quattro cercatori facessero il loro lavoro. Ecco il risultato: tutti e quattro i cercatori erano bravi, ma la Farfalla (BOA) è stata la vincitrice indiscussa.

Il modello XGBoost–BOA non si è limitato a indovinare; ha centrato la previsione. Quando testato su nuovi dati mai visti, ha avuto ragione il 99,62% delle volte (un punteggio chiamato VAF). Il suo errore è stato minuscolo, con un Errore Quadratico Medio (RMSE) di soli 1,2680 e un Errore Assoluto Medio (MAE) di 0,8159. Nel mondo della fisica delle rocce, questo è come colpire un bersaglio dall'altra parte di una stanza. Gli altri cercatori (GWO, CSA e HBA) erano vicini, ma le previsioni della Farfalla erano le più stabili e affidabili, con il minor livello di "oscillazione" o incertezza.

Cosa Conta Davvero?
I ricercatori non volevano solo una scatola nera che fornisse un numero; volevano sapere perché il computer avesse fatto quella scelta. Utilizzando uno speciale strumento di "raggi X" chiamato analisi SHAP, hanno guardato dentro il cervello del modello. Hanno scoperto che tre fattori sono i pesi massimi che controllano il momento in cui la roccia si rompe:

Stress Normale (σₙ): Quanto forte stai spingendo verso il basso sulla roccia.
Resistenza alla Compressione Unassiale (σc): Quanto è forte il materiale roccioso in sé.
Coefficiente di Giunto (JC): Un numero che descrive quanta parte della superficie della roccia è effettivamente una crepa rispetto alla roccia solida.

Il modello ha mostrato che se spingi più forte (maggiore stress normale) o se la roccia è più resistente (maggiore resistenza alla compressione), le crepe necessitano di più forza per unirsi. Interessante è che altri fattori, come l'elasticità della roccia o il coefficiente di Poisson, hanno giocato un ruolo molto più piccolo in questo specifico scenario. Il modello ha imparato che i "tre grandi" sono quelli che decidono le sorti della situazione.

Cosa Esclude lo Studio
Lo studio argomenta esplicitamente contro l'idea che si possa prevedere facilmente questo comportamento guardando solo un fattore isolato, come la sola lunghezza del giunto o solo l'angolo. Il documento suggerisce che l'interazione tra lo stress normale, la resistenza del materiale e il coefficiente di giunto è troppo complessa per essere sciolta con semplici esperimenti da soli. Il vecchio modo di cercare di indovinare queste relazioni in modo qualitativo (solo guardando e ipotizzando) non è sufficiente; serve questo tipo di approccio basato sui dati e ibrido per vedere l'immagine completa.

Quanto sono Sicuri?
Gli autori sono molto fiduciosi nei loro numeri, ma sono cauti nel non pretendere di aver risolto l'universo. Hanno dimostrato che il loro modello funziona incredibilmente bene sui 450 test specifici che hanno eseguito in laboratorio. Hanno utilizzato una tecnica chiamata validazione incrociata a 10 pieghe (10-fold cross-validation), che è come sottoporre uno studente a dieci diversi esami di pratica per assicurarsi che non stia solo imparando a memoria le risposte, ma che stia effettivamente comprendendo la lezione. I risultati hanno retto ogni singola volta.

Tuttavia, sono onesti riguardo ai limiti. Questo modello è stato addestrato su campioni simili a rocce fatti di miscele di gesso e cemento in un ambiente di laboratorio. Non pretendono che questo modello funzioni perfettamente su ogni tipo di roccia nel mondo reale (come una montagna di granito o arenaria) senza ulteriori test. Suggeriscono che, sebbene lo strumento sia potente, il lavoro futuro dovrà testarlo su una varietà più ampia di materiali e condizioni di stress per essere veramente universale.

Il Bonus Speciale: Un Videogioco per Ingegneri
Per rendere tutto questo utile per le persone reali, il team non ha lasciato la matematica solo in un quaderno. Hanno costruito un'Interfaccia Grafica Utente (GUI). Immaginate un'app semplice dove un ingegnere può inserire la resistenza della roccia, la pressione e i dettagli delle crepe, cliccare un pulsante "Predici" e ottenere istantaneamente la risposta. Trasforma un problema matematico complesso e ad alta tecnologia in uno strumento semplice che chiunque può usare per progettare tunnel, dighe e pendii più sicuri.

In breve, il documento mostra che lasciando che una "Farfalla" cerchi le impostazioni migliori in un super-computer, possiamo prevedere esattamente quando una roccia crepata si spezzerà sotto pressione con un'accuratezza straordinaria, offrendo una mappa più chiara di come il terreno sotto i nostri piedi potrebbe comportarsi.

Sintesi Tecnica: Modelli Ibridi XGBoost-MH Interpretabili per la Predizione dello Stress di Coalescenza delle Crepe

Definizione del Problema
Lo stress di coalescenza delle crepe (CCS) è un parametro meccanico critico che governa il cedimento indotto da taglio nelle masse rocciose fratturate, svolgendo un ruolo vitale nell'analisi della stabilità di progetti di ingegneria superficiale e sotterranea. Sebbene la ricerca di laboratorio abbia esaminato estensivamente l'innesco e la propagazione delle crepe sotto vari stati di sollecitazione, l'influenza simultanea e quantitativa dello stress normale ( $\sigma_n$ ), delle proprietà meccaniche intrinseche del materiale intatto e del coefficiente di fratturazione (JC) sul CCS rimane insufficientemente compresa. Gli approoli sperimentali tradizionali spesso faticano a isolare questi effetti non lineari accoppiati, particolarmente quando sono disponibili grandi set di dati ma le relazioni sottostanti sono oscurate. Questo studio affronta tale lacuna sviluppando un framework basato sui dati per predire il CCS per campioni di tipo roccioso contenenti giunti non persistenti sottoposti a carico di taglio diretto.

Metodologia
Lo studio utilizza un database completo derivato da 450 prove di taglio diretto condotte su campioni cubici di tipo roccioso (miscele di gesso e cemento) con diverse configurazioni di giunto non persistente. Il programma sperimentale ha variato sistematicamente il coefficiente di fratturazione (JC), lo stress normale ( $\sigma_n$ ) e le proprietà meccaniche del materiale (resistenza alla compressione monoassiale $\sigma_c$ , resistenza alla trazione $\sigma_t$ , modulo elastico $E$ , coefficiente di Poisson $\nu$ , coesione $C$ e angolo di attrito interno $\phi$ ).

Per predire il CCS, gli autori hanno sviluppato un framework di modellazione ibrido che integra l'algoritmo Extreme Gradient Boosting (XGBoost) con quattro tecniche di ottimizzazione metaeuristica basate sulla popolazione:

Honey Badger Algorithm (HBA)
Butterfly Optimization Algorithm (BOA)
Crow Search Algorithm (CSA)
Grey Wolf Optimizer (GWO)

Gli algoritmi metaeuristici sono stati impiegati per ottimizzare sistematicamente gli iperparametri del modello XGBoost (ad esempio, numero di stimatori, tasso di apprendimento, profondità massima). Il processo di modellazione ha previsto:

Partizione dei Dati: Il dataset è stato suddiviso in un set di addestramento dell'80% e un set di test del 20%.
Ottimizzazione: Una strategia di validazione incrociata a 10 pieghe (10-fold cross-validation) è stata implementata sul set di addestramento per minimizzare l'overfitting e selezionare gli iperparametri ottimali minimizzando l'Errore Quadratico Medio (RMSE).
Valutazione: Le prestazioni del modello sono state valutate tramite indici statistici ( $R^2$ , VAF, RMSE, MAE), criteri informativi-teoretici (AIC, BIC), diagnostica grafica (diagrammi di Taylor, curve della caratteristica dell'errore di regressione), analisi dei residui e valutazione dell'incertezza.
Interpretabilità: Il miglior modello è stato analizzato utilizzando SHapley Additive exPlanations (SHAP) e Partial Dependence Plots (PDP) con Individual Conditional Expectation (ICE) per elucidare l'importanza delle feature e gli effetti non lineari.
Applicazione: È stata sviluppata un'interfaccia grafica utente (GUI) intuitiva per facilitare l'applicazione pratica in ingegneria.

Risultati Chiave
Tutti e quattro i modelli ibridi hanno dimostrato eccellenti capacità predittive. Tuttavia, il modello XGBoost–BOA ha costantemente superato gli altri, raggiungendo il miglior equilibrio tra accuratezza, generalizzazione e robustezza.

Metriche di Prestazione: Il modello XGBoost–BOA ha ottenuto un $R^2$ nella fase di test di 0,9960 e una Varianza Spiegata (VAF) del 99,62%. Ha registrato i più bassi errori di predizione con un RMSE di 1,2680 e un MAE di 0,8159.
Generalizzazione: A differenza del modello XGBoost–CSA, che ha mostrato la più alta accuratezza nell'addestramento ma segni di overfitting (errore di test più elevato), il modello XGBoost–BOA ha mantenuto prestazioni superiori sul set di test indipendente.
Incertezza: L'analisi dell'incertezza ha confermato che il modello XGBoost–BOA possiede la larghezza del limite di confidenza più stretta (WCB = 0,4056), indicando la massima affidabilità per dati non osservati.
Importanza delle Feature: L'analisi SHAP ha identificato lo stress normale ( $\sigma_n$ ) come il fattore dominante che influenza il CCS, seguito dalla resistenza alla compressione monoassiale ( $\sigma_c$ ) e dal coefficiente di fratturazione (JC). Altre proprietà meccaniche ( $\sigma_t, \nu, E, C, \phi$ ) sono risultate avere un'influenza secondaria nell'ambito del dataset.
Effetti Non Lineari: I grafici PDP–ICE hanno rivelato comportamenti a gradini distinti e interazioni non lineari, in particolare un brusco calo del CCS predetto a un JC di 0,65, e un forte aumento quasi monotonico del CCS con l'aumentare dello stress normale.

Significatività e Contributi
Il documento sostiene che il contributo primario di questo lavoro sia lo sviluppo di uno strumento pratico e trasparente per valutare lo stress di coalescenza delle crepe nei sistemi rocciosi fratturati in condizioni di taglio diretto. Accoppiando XGBoost con l'ottimizzazione metaeuristica, lo studio riesce a catturare gli effetti complessi e accoppiati di parametri geometrici e meccanici che sono difficili da isolare attraverso test di laboratorio da soli.

La significatività del lavoro risiede in tre aree principali:

Accuratezza Predittiva: Il modello ibrido XGBoost–BOA fornisce un metodo altamente accurato e robusto per predire il CCS, superando le altre configurazioni ottimizzate tramite metaeuristica.
Interpretabilità: A differenza dei modelli "black-box", l'integrazione delle analisi SHAP e PDP–ICE garantisce che le predizioni del modello siano fisicamente coerenti con i concetti stabiliti della meccanica della frattura, validando la dominanza dello stress normale e della geometria dei giunti.
Utilità Ingegneristica: L'integrazione del modello predittivo in una GUI consente agli ingegneri di esplorare rapidamente gli effetti parametrici e stimare il CCS per la progettazione e la valutazione sperimentale, colmando il divario tra la modellazione computazionale avanzata e le applicazioni pratiche della meccanica delle rocce.

Gli autori riconoscono con modestia che lo studio si basa su campioni in scala di laboratorio con composizioni materiche e configurazioni di giunto specifiche. Suggeriscono che, sebbene il database sia esteso, l'espansione futura per includere geometrie, percorsi di stress e tipi di materiali più ampi rafforzerebbe ulteriormente la generalizzabilità del framework proposto.

Articoli simili