Prevedere agibilità degli edifici post-sisma su scala regionale tramite Machine Learning: il caso del terremoto del 2016-17

La gestione del patrimonio edilizio pubblico in area sismica richiede strumenti affidabili per stabilire priorità di intervento, soprattutto quando le risorse economiche sono limitate. Dopo i terremoti che hanno colpito l’Abruzzo e il Centro Italia, gli enti gestori si sono trovati a dover affrontare campagne di valutazione complesse e onerose. In questo contesto, l’integrazione tra ingegneria strutturale e metodi di analisi dei dati offre nuove opportunità. La relazione presentata da Angelo Aloisio ad ANIDIS 2025 propone un approccio innovativo che utilizza il machine learning non per sostituire le analisi di vulnerabilità, ma per affiancarle nelle fasi di screening e pianificazione strategica.

Il contesto della ricerca e il database ATER

Il lavoro nasce dalla collaborazione tra l’Università dell’Aquila e l’ATER, Agenzia Territoriale per l’Edilizia Residenziale, già Istituto Autonomo Case Popolari. A seguito del sisma del 2009 e della successiva sequenza sismica del Centro Italia, l’ente ha promosso una vasta campagna di valutazione della vulnerabilità sismica degli edifici di propria prevalente proprietà, investendo circa un milione di euro.

Il risultato è un database di circa 300 edifici distribuiti sull’intera provincia dell’Aquila, per i quali sono disponibili informazioni geometriche, costruttive, meccaniche e territoriali, oltre all’indice di vulnerabilità sismica calcolato secondo le procedure ingegneristiche convenzionali. L’analisi preliminare dei dati mostra come la maggior parte degli edifici presenti valori di vulnerabilità inferiori a 0,2, sollevando interrogativi cruciali per il decisore pubblico: quale soglia può essere considerata critica e, soprattutto, è possibile individuare in modo rapido gli edifici relativamente più vulnerabili per definire un ordine di priorità degli interventi?

Dalla previsione puntuale alla classificazione della vulnerabilità

La domanda di ricerca affrontata da Angelo Aloisio riguarda la possibilità di utilizzare modelli di machine learning per predire la vulnerabilità sismica a partire da parametri facilmente reperibili. Un primo tentativo è stato quello di costruire modelli di regressione in grado di stimare direttamente il valore dell’indice di vulnerabilità. Tuttavia, nonostante l’impiego di diversi algoritmi, anche avanzati, i risultati si sono rivelati insoddisfacenti, con problemi di overfitting e marcate differenze tra le prestazioni sui dati di addestramento e di validazione.

Di fronte a questi limiti, l’attenzione si è spostata verso modelli di classificazione. Invece di predire un valore continuo, l’obiettivo è diventato quello di assegnare ciascun edificio a una classe di vulnerabilità. I tentativi iniziali di classificazione multiclasse hanno evidenziato difficoltà legate allo sbilanciamento dei campioni tra le classi e a metriche di prestazione poco robuste. La soluzione più efficace si è rivelata l’adozione di un modello di classificazione binaria, in grado di distinguere tra una condizione di vulnerabilità “moderata” e una “severa” sulla base di una soglia variabile dell’indice.

XX Convegno ANIDIS: focus su sicurezza sismica e vulnerabilità del costruito
Ad Assisi si è svolto il XX Convegno ANIDIS, principale appuntamento per la comunità dell’ingegneria sismica. Al centro del dibattito: vulnerabilità del costruito, tecniche di rinforzo, monitoraggio strutturale, nuovi materiali, strategie multi-hazard e politiche di riduzione del rischio. INGENIO segue l’evento con video e interviste ai protagonisti.
LEGGI L'APPROFONDIMENTO

Scelta della soglia e valutazione delle prestazioni

Un aspetto centrale dello studio riguarda la definizione della soglia di separazione tra le due classi. Una scelta a priori, ad esempio fissata a 0,2 come inizialmente suggerito dall’ATER, avrebbe prodotto classi fortemente sbilanciate e metriche di accuratezza fuorvianti. Per questo motivo è stata condotta un’analisi parametrica, valutando l’evoluzione di accuratezza, precisione, recall e F1-score al variare della soglia di vulnerabilità.

Questo approccio ha permesso di individuare un intervallo di soglie in cui il modello risulta più equilibrato, con una distribuzione più omogenea degli edifici tra le due classi e prestazioni complessive più affidabili. Sono stati confrontati diversi algoritmi, dalla regressione logistica ai modelli ad albero, fino alle reti neurali e all’XGBoost. In condizioni ottimali, i modelli più avanzati hanno mostrato risultati promettenti, con accuratezze elevate e buoni valori delle metriche di classificazione, confermando la potenzialità del machine learning come strumento di supporto decisionale.

Interpretabilità dei modelli e fattori determinanti

Oltre alle prestazioni, un tema chiave è quello dell’interpretabilità. In ambito ingegneristico e decisionale, comprendere il ruolo delle variabili è essenziale per dare significato ai risultati del modello. A tal fine è stato utilizzato il metodo SHAP (Shapely Additive Explanation), che consente di quantificare l’influenza di ciascuna variabile sull’esito della classificazione.

L’analisi ha messo in evidenza come il parametro più influente sia la resistenza media a compressione del calcestruzzo, un dato particolarmente critico considerando che il valore medio osservato è intorno ai 19 MPa, decisamente basso e piuttosto uniforme sul territorio. Seguono le grandezze geometriche, in particolare il volume e l’altezza dell’edificio, che influenzano indirettamente il comportamento dinamico della struttura, e l’anno di costruzione, legato all’evoluzione delle normative sismiche. Al contrario, variabili come la PGA e la tipologia di terreno risultano meno determinanti, anche a causa della loro ridotta variabilità nell’area di studio.

Un supporto alla pianificazione, non un sostituto delle analisi

Come sottolineato nella relazione presentata ad ANIDIS 2025, il modello sviluppato non ha l’ambizione di sostituire le campagne conoscitive e le valutazioni di vulnerabilità sismica previste dalla normativa. Il suo ruolo è quello di fornire uno strumento preliminare di screening, capace di orientare le scelte degli enti pubblici che gestiscono patrimoni edilizi estesi e complessi.

In questo senso, l’esperienza condotta in collaborazione con l’ATER della provincia dell’Aquila rappresenta un esempio concreto di come l’integrazione tra dati esistenti e tecniche di machine learning possa contribuire a una gestione più consapevole e strategica della sicurezza sismica, affiancando l’ingegneria tradizionale con nuovi strumenti di supporto alle decisioni.

IN SINTESI
-Studio basato su un database di circa 300 edifici ATER della provincia dell’Aquila.
-Obiettivo: supportare la priorità degli interventi attraverso modelli di machine learning.
-Modelli di regressione risultati inadeguati per la previsione puntuale dell’indice di vulnerabilità.
-Migliori risultati ottenuti con modelli di classificazione binaria.
-Importanza cruciale della scelta della soglia di vulnerabilità per evitare classi sbilanciate.
-Reti neurali e XGBoost mostrano le prestazioni più promettenti.
-La resistenza del calcestruzzo, la geometria e l’anno di costruzione sono i fattori più influenti.
-Il modello è uno strumento di screening e pianificazione, non un sostituto delle analisi ingegneristiche.

DI SEGUITO LA VIDEOREGISTRAZIONE INTEGRALE DELL'INTERVENTO.

Il testo è stato redatto mediante l'utilizzo della vidoregistrazione, con l'ausilio dell'IA.