Nodi Strutturali a Prova di Terremoto? Ora l’Intelligenza Artificiale Ci Dà una Grossa Mano!

Ciao a tutti! Oggi voglio parlarvi di qualcosa che mi sta particolarmente a cuore e che, credetemi, potrebbe cambiare il modo in cui pensiamo alla sicurezza dei nostri edifici: i nodi trave-pilastro. Sembra un dettaglio tecnico, vero? Eppure, queste piccole (ma cruciali) parti delle strutture in cemento armato sono come le articolazioni del nostro corpo: se cedono loro, crolla tutto, specialmente durante un terremoto.

Il Tallone d’Achille delle Strutture in Cemento Armato

Avete presente quando si parla di edifici crollati dopo un sisma? Beh, spessissimo la colpa è proprio di questi nodi. Immaginateli come degli incroci super trafficati dove si incontrano le forze che arrivano dalle travi (orizzontali) e dai pilastri (verticali). Durante un terremoto, queste forze, soprattutto quelle di taglio, diventano enormi, mettendo a durissima prova i nodi. Le indagini post-sisma, purtroppo, ce lo confermano: molti crolli, parziali o totali, sono dovuti alla “distruzione violenta” di questi giunti. E perché succede? Spesso per una progettazione non ottimale: magari un’armatura trasversale insufficiente, un ancoraggio non adeguato delle barre longitudinali delle travi, o l’applicazione un po’ troppo zelante della filosofia “travi forti-pilastri deboli”. Insomma, un bel pasticcio che compromette la capacità dei nodi di resistere alle scosse.

I Codici Attuali? Non Sempre Affidabili al 100%

Ora, voi direte: “Ma ci sono le normative, i codici edilizi, no?”. Certo che ci sono! Fin dagli anni ’60 si è cercato di normare i dettagli per rendere questi nodi più “duttili”, cioè capaci di deformarsi senza rompersi subito. L’ACI (American Concrete Institute), ad esempio, già nel 1971 suggeriva rinforzi specifici. Però, come hanno evidenziato diversi studi nel tempo, anche le normative più moderne (come l’Eurocodice 2 e 8, o le normative giapponesi e neozelandesi) a volte non bastano. Si è visto che, nonostante il rispetto delle regole, durante forti sollecitazioni sismiche compaiono comunque delle brutte crepe diagonali nei nodi, e a volte si arriva persino a rotture anticipate. Alcune ricerche hanno mostrato che i codici attuali tendono a sovrastimare la resistenza al taglio con una variabilità notevole. Questo significa che ci affidiamo a calcoli che potrebbero non rispecchiare la realtà, portando a progetti potenzialmente insicuri.

Il problema è che questi codici si basano spesso su modelli semplificati che considerano un numero limitato di fattori, come la resistenza a compressione del calcestruzzo, il confinamento del nodo, la sua altezza e larghezza. Ma la realtà è molto più complessa!

Entra in Gioco l’Intelligenza Artificiale: Una Svolta Predittiva!

Ed è qui che arriva il bello, la parte che mi entusiasma di più! Per superare questi limiti, abbiamo pensato: perché non usare l’intelligenza artificiale (IA), e più specificamente le reti neurali artificiali (ANN)? Lo so, suona fantascientifico, ma le ANN sono strumenti potentissimi, capaci di imparare da una grande quantità di dati e di modellare relazioni complesse e non lineari, cosa che i modelli tradizionali faticano a fare. Pensatela così: invece di dare alla macchina una formula fissa, le diamo tantissimi esempi di come si sono comportati i nodi in passato (nel nostro caso, i risultati di 158 provini sperimentali!) e lei impara a riconoscere i pattern, i fattori che influenzano davvero la resistenza.

Abbiamo quindi sviluppato un modello ANN addestrandolo su un vasto database di questi 158 campioni, che rappresentavano un’ampia gamma di variabili: dalle dimensioni di travi e pilastri alla resistenza del calcestruzzo, dalla quantità e tipo di armatura alla geometria del nodo stesso. L’obiettivo? Prevedere con precisione la capacità di resistere al taglio dei nodi interni trave-pilastro.

Le reti neurali, un po’ come il nostro cervello, sono fatte di “neuroni artificiali” interconnessi. Ogni neurone riceve dati, li elabora e produce un output. Nel nostro caso, abbiamo usato una rete neurale di tipo backpropagation (BPNN), una struttura a più strati dove l’informazione fluisce in una direzione, dall’input all’output. Dopo vari tentativi, abbiamo trovato l’architettura ottimale: una rete 10-9-1. Significa 10 neuroni nello strato di input (corrispondenti ai 10 parametri più influenti che abbiamo identificato), uno strato nascosto con 9 neuroni (il “cervello” che elabora), e un neurone nello strato di output (la previsione della resistenza al taglio).

Risultati da Urlo: L’IA Batte i Codici (Quasi) 10 a 0!

E i risultati? Semplicemente sbalorditivi! Il nostro modello ANN ha raggiunto un coefficiente di correlazione (R) di 0.98 con i dati sperimentali. Per darvi un’idea, i codici edilizi esistenti si muovevano in un range tra 0.66 e 0.73. Un salto di qualità enorme! Questo significa che le previsioni del nostro modello sono incredibilmente vicine a quello che succede nella realtà. Anche altri indicatori statistici ci hanno dato ragione: un coefficiente di determinazione (R²) di 0.96 (praticamente il 96% della variabilità è spiegata dal modello), una media del rapporto tra valori sperimentali e predetti vicinissima a 1 (1.02, quindi pochissima sovra o sottostima sistematica), una deviazione standard (SD) e un coefficiente di variazione (COV) bassissimi (rispettivamente 0.13 e 13.10%).

Abbiamo anche usato un indice chiamato a20-index, che misura la percentuale di previsioni che cadono entro un errore del ±20% rispetto ai valori reali. Bene, il nostro modello ha raggiunto un a20-index del 96.20%! In pratica, quasi tutte le previsioni sono estremamente accurate.

Per rendere le cose ancora più chiare, abbiamo confrontato graficamente le previsioni del nostro modello ANN con quelle dei vari codici (ACI-ASCE 352, ACI 318-19, CSA A23.3, AIJ, NZS 3101-1, e BS EN 1998-1). Mentre i punti relativi ai codici erano sparpagliati e spesso lontani dalla linea di “accordo perfetto”, quelli del nostro modello si raggruppavano strettamente attorno ad essa. Addirittura, tutti i campioni usati nella fase di test del modello hanno mostrato una deviazione inferiore al ±10%! Diagrammi specifici, come i diagrammi di Taylor e i box plot, hanno confermato visivamente la superiorità del modello ANN: più vicino al punto di riferimento ideale, minore dispersione dei dati, migliore allineamento con i valori reali.

Un Modello Intelligente e… Pratico!

La cosa bella è che non si tratta solo di un esercizio accademico. Abbiamo presentato i parametri del modello (i “pesi” e i “bias” della rete neurale, per i più tecnici) in un formato che permette una facile implementazione, ad esempio, usando un semplice software a foglio di calcolo come Excel. Questo lo rende uno strumento accessibile per ingegneri e ricercatori, che possono così stimare la resistenza al taglio dei nodi in modo molto più affidabile.

Certo, è importante sottolineare una cosa: l’efficacia di questo modello, come di ogni modello di machine learning, dipende dalla qualità e dalla rappresentatività dei dati usati per addestrarlo. Il nostro database copriva un’ampia gamma di valori dei parametri, da quelli tipici di provini su piccola scala a quelli di strutture a grandezza reale, quindi siamo abbastanza fiduciosi sulla sua applicabilità in molte condizioni.

Verso Edifici Più Sicuri Grazie all’IA

In conclusione, questo studio mi ha convinto ancora di più che l’intelligenza artificiale può davvero fare la differenza nell’ingegneria civile. Avere un modello predittivo così accurato per la resistenza al taglio dei nodi trave-pilastro è un passo avanti enorme. Significa poter migliorare i codici edilizi, progettare strutture più resilienti e, in definitiva, contribuire a salvare vite umane. Non è fantastico? Il futuro della progettazione strutturale è già qui, ed è più intelligente che mai!

Fonte: Springer