Applicazioni di IA nella Geotecnica: integrazione tra modelli fisici e Data-Driven per la predizione e il monitoraggio dei fenomeni deformativi

L’intelligenza artificiale (IA) rappresenta uno strumento emergente per affrontare la complessità dei problemi geotecnici, caratterizzati da forte non linearità e incertezza, dovuta alla variabilità naturale dei terreni e alla difficoltà di acquisire dati rappresentativi. In questo contesto, l’intelligenza artificiale rappresenta uno strumento promettente per estrarre informazioni significative da grandi moli di dati e migliorare le capacità previsionali.
L’adozione di tecniche di machine learning (ML) e deep learning (DL) consente di affiancare ai modelli deterministici tradizionali approcci basati sui dati, capaci di cogliere relazioni complesse non facilmente modellabili con metodi classici.
Il presente lavoro integra approcci fisici e data-driven nella predizione dei cedimenti, nella classificazione dei terreni e nell’analisi dei dati di monitoraggio. Viene sviluppato un caso studio quantitativo relativo a un versante instabile monitorato tramite interferometria SAR (InSAR) e modellato mediante reti neurali ricorrenti. L’approccio ibrido proposto consente una riduzione significativa dell’errore previsionale rispetto ai modelli tradizionali e un miglioramento dell’interpretazione dei fenomeni con una conseguenziale maggiore capacità di anticipare eventi critici.

Principali tecniche di intelligenza artificiale nella geotecnica: modelli, applicazioni e limiti

Le principali tecniche di intelligenza artificiale applicate in ambito geotecnico comprendono diverse famiglie di modelli, ciascuna con caratteristiche e ambiti di utilizzo specifici. Tra queste, le reti neurali artificiali (ANN) risultano particolarmente diffuse grazie alla loro capacità di modellare relazioni altamente non lineari tra variabili di input e output, caratteristica tipica dei fenomeni geotecnici. Le Support Vector Machines (SVM) trovano invece applicazione sia in problemi di classificazione, come la tipizzazione dei terreni o la previsione di instabilità, sia in contesti di regressione, offrendo buone prestazioni anche in presenza di dataset di dimensioni limitate.

Un ruolo rilevante è svolto anche dagli approcci basati su alberi decisionali, tra cui le Random Forest, che si distinguono per la loro robustezza nei confronti di dati rumorosi, incompleti o caratterizzati da elevata variabilità, condizioni molto frequenti nelle applicazioni geotecniche reali. Negli ultimi anni, inoltre, si è assistito a una crescente diffusione dei modelli di deep learning, particolarmente efficaci nell’analisi di grandi moli di dati complessi, come le serie temporali provenienti da sistemi di monitoraggio (ad esempio InSAR) o le immagini satellitari.

È tuttavia importante sottolineare che l’efficacia di tali metodologie è fortemente condizionata dalla qualità, dalla quantità e dalla rappresentatività dei dati disponibili. In ambito geotecnico, dove la variabilità naturale dei terreni è elevata e spesso difficile da caratterizzare in modo esaustivo, la disponibilità di dataset affidabili e ben strutturati rappresenta un fattore determinante per il successo delle applicazioni basate su intelligenza artificiale.

Il comportamento meccanico dei terreni è descritto da relazioni costitutive che, in forma generale, possono essere espresse come:

• σ^'= tensore delle tensioni efficaci [kPa];
• ε= tensore delle deformazioni [-];
• u= pressione interstiziale [kPa];
• t= tempo [secondi o giorni];
• x= coordinate spaziali [m].

Nella pratica ingegneristica, tali relazioni vengono semplificate attraverso modelli costitutivi (elastoplastici, viscoplastici, ecc.), ma la loro applicazione è limitata dalla difficoltà di determinare parametri rappresentativi.
L’approccio basato sull’intelligenza artificiale consente di approssimare direttamente la relazione tra variabili di input e output:

• X=[x_1,x_2,…,x_n]= vettore delle variabili di input;
• y= variabile di output (es. cedimento, classe di terreno, velocità di spostamento);
• θ= insieme dei parametri del modello (pesi e bias della rete neurale).

Predizione dei cedimenti

Modellazione fisica della consolidazione

Il fenomeno della consolidazione monodimensionale del terreno viene descritto attraverso un’equazione differenziale che mette in relazione l’evoluzione nel tempo delle pressioni interstiziali con la loro distribuzione nello spazio. In particolare, la variazione della pressione interstiziale nel tempo è proporzionale alla curvatura del suo profilo lungo la direzione verticale del terreno, secondo un coefficiente che rappresenta la capacità del mezzo poroso di dissipare l’acqua in eccesso.

In forma matematica, tale comportamento è espresso dall’equazione di consolidazione, nella quale la derivata della pressione interstiziale rispetto al tempo è uguale al prodotto tra il coefficiente di consolidazione e la derivata seconda della pressione rispetto alla profondità. Questo implica che l’evoluzione del processo dipende dalla capacità del terreno di redistribuire e dissipare le sovrapressioni neutre nel tempo, determinando così la progressiva riduzione dei cedimenti nel lungo periodo.

Ciò detto, la consolidazione monodimensionale è descritta dall’equazione differenziale:

dove:

• u(z,t)= pressione interstiziale in funzione della profondità ze del tempo t[kPa];
• c_v= coefficiente di consolidazione [m²/s];
• z= coordinata verticale (profondità) [m];
• t= tempo [s].

Il cedimento finale è espresso come:

dove:

• S_∞= cedimento finale [m];
• C_c= indice di compressione [-];
• e₀= indice dei vuoti iniziale [-];
• H= spessore dello strato comprimibile [m];
• σ'_O= tensione verticale efficace iniziale [kPa];
• σ'_f= tensione verticale efficace finale [kPa].

L’evoluzione temporale del cedimento fisico può essere approssimata con:

dove:

k= parametro cinetico legato a c_v e alle condizioni di drenaggio [1/s].

Modello data-driven per la previsione dei cedimenti

La previsione dei cedimenti del terreno è stata tradizionalmente affrontata attraverso approcci di tipo fisico e numerico. Tra questi, un ruolo fondamentale è svolto dalla teoria della consolidazione di Terzaghi, che fornisce una descrizione analitica del processo di dissipazione delle pressioni interstiziali e della conseguente evoluzione dei cedimenti nel tempo. A questa si affiancano i modelli numerici agli elementi finiti (FEM), spesso accoppiati in modo idro-meccanico, che permettono di simulare in maniera più dettagliata il comportamento del terreno tenendo conto delle interazioni tra flusso dell’acqua e risposta meccanica del mezzo poroso.

Negli ultimi anni, l’introduzione dell’intelligenza artificiale ha però aperto un paradigma alternativo, in cui la previsione dei cedimenti non richiede necessariamente la formulazione esplicita delle leggi fisiche che governano il fenomeno. In questo contesto, i modelli vengono addestrati direttamente sui dati osservati, apprendendo in modo implicito le relazioni tra le variabili e consentendo così di effettuare previsioni basate esclusivamente sull’esperienza contenuta nei dataset disponibili.

Un modello di IA (es. rete neurale) consente di stimare direttamente il cedimento nel tempo:

dove:

• S(t)= cedimento al tempo t[m];
• q= carico applicato [kPa].

La calibrazione del modello avviene minimizzando la funzione di perdita. Quindi, la funzione obiettivo per l’addestramento è:

dove:

• 𝑁= numero di osservazioni;
• 𝑆𝑖_{𝑝𝑟𝑒𝑑}= cedimento previsto;
• 𝑆𝑖_𝑜𝑏𝑠= cedimento osservato.

La funzione di perdita si legge come una misura numerica dell’errore commesso dal modello tra ciò che prevede e ciò che si osserva realmente. Più il valore della funzione di perdita è alto, peggiore è la previsione; più è basso, migliore è l’aderenza ai dati reali.

Le reti neurali artificiali trovano ampia applicazione in geotecnica, in particolare nella previsione dei fenomeni deformativi del terreno. Esse vengono impiegate per stimare i cedimenti primari e secondari, per ricostruire le curve tempo–cedimento e per individuare correlazioni tra i parametri geotecnici e le deformazioni osservate in sito. Grazie alla loro struttura, questi modelli sono in grado di cogliere relazioni altamente non lineari, tipiche del comportamento dei terreni, risultando quindi particolarmente efficaci in contesti complessi dove i modelli tradizionali mostrano limiti.

...Continua a leggere nel PDF in allegato.

FAQ 

Qual è il vantaggio dell’integrazione tra modelli fisici e modelli data-driven nella geotecnica?

L’integrazione tra modelli fisici e approcci data-driven permette di unire la solidità teorica delle leggi della meccanica dei terreni con la capacità dei modelli di intelligenza artificiale di analizzare grandi quantità di dati e cogliere comportamenti complessi. I modelli fisici garantiscono coerenza con i principi ingegneristici, mentre quelli basati sui dati migliorano l’accuratezza predittiva, soprattutto in presenza di fenomeni non lineari o difficili da descrivere con approcci tradizionali. Questo approccio ibrido consente quindi una riduzione delle incertezze e una maggiore affidabilità nelle previsioni.

Quali tecniche di Intelligenza Artificiale sono più utilizzate per la predizione dei fenomeni deformativi?

Nel campo geotecnico vengono impiegate diverse tecniche di intelligenza artificiale, tra cui il machine learning supervisionato, le reti neurali artificiali e modelli più avanzati di deep learning. Questi strumenti consentono di analizzare serie temporali e grandi dataset provenienti da monitoraggi e prove sperimentali, individuando pattern nascosti e relazioni complesse tra variabili. In questo modo è possibile stimare con maggiore precisione l’evoluzione nel tempo di cedimenti e deformazioni.

In che modo i sistemi di monitoraggio contribuiscono ai modelli predittivi geotecnici?

I sistemi di monitoraggio svolgono un ruolo fondamentale perché forniscono dati continui e aggiornati che alimentano i modelli predittivi. Attraverso strumenti come sensori in situ, inclinometri, sistemi GNSS e tecnologie satellitari, è possibile osservare in tempo reale il comportamento del terreno e delle strutture. Questi dati permettono di calibrare i modelli, migliorarne le prestazioni e supportare la creazione di modelli digitali aggiornati dinamicamente, utili per il controllo e la gestione del rischio.

Quali sono le principali criticità nell’uso dell’IA in geotecnica?

L’utilizzo dell’intelligenza artificiale in geotecnica presenta alcune criticità legate principalmente alla qualità e disponibilità dei dati, che possono essere incompleti o rumorosi. Un altro aspetto rilevante riguarda l’interpretabilità dei modelli, soprattutto quando si utilizzano approcci complessi difficili da spiegare in termini ingegneristici. Inoltre, i modelli possono avere difficoltà a generalizzare i risultati in contesti geologici diversi. Per questo motivo, l’integrazione con modelli fisici rimane essenziale per garantire affidabilità e controllo nelle applicazioni pratiche.