Previsione dei livelli di pericolosità della stabilità dei pendii mediante apprendimento d’insieme

Ecco l’articolo tecnico-divulgativo redatto secondo le specifiche richieste.

Introduzione e Contesto

La previsione della stabilità dei pendii rappresenta una sfida ricorrente nella progettazione geotecnica e nella gestione del rischio frane. Il fenomeno coinvolge variabili geomeccaniche complesse e interazioni tra suolo, carichi idrici e geometria del versante, rendendo difficile l’impiego di soli modelli deterministici. In un contesto operativo segnato dall’incremento degli eventi meteorologici estremi e dalla necessità di infrastrutture più resilienti, lo sviluppo di strumenti decisionali affidabili e rapidi per la classificazione del pericolo di instabilità assume rilevanza pratica immediata. In questo scenario, le tecniche di apprendimento automatico offrono la possibilità di analizzare grandi volumi di dati storici per supportare valutazioni preliminari, integrando i tradizionali metodi di calcolo con approcci data-driven.

Metodologia e Risultati Chiave

Lo studio ha sviluppato e confrontato sei modelli di machine learning per la previsione dello stato di stabilità di un pendio (stabile/instabile). È stato utilizzato un database contenente 627 casi reali, ciascuno descritto da sei variabili di input: peso di volume, coesione, angolo di attrito, angolo del pendio, altezza del pendio e rapporto di pressione interstiziale. I modelli esaminati includono algoritmi tradizionali come Support Vector Machine (SVM), K-Nearest Neighbors (KNN) e Classification and Regression Tree (CART), e modelli ensemble come Random Forest (RF), Extreme Gradient Boosting (XGBoost) e Boosted Tree.

La valutazione è stata condotta mediante analisi ROC, metriche derivate dalla matrice di confusione (accuratezza, F1-score) e test su dati non visti. I risultati mostrano una netta superiorità dei modelli ensemble rispetto a quelli convenzionali. L’analisi ROC ha evidenziato che Random Forest ha ottenuto il valore di AUC più elevato (0.93) , seguito da Boosted Tree (0.92) e XGBoost (0.90). In termini di accuratezza e F1-score, Boosted Tree ha registrato i migliori risultati: accuratezza di 0.862 e F1-score di 0.874, mentre RF ha mostrato prestazioni confrontabili (0.857 e 0.868). L’analisi dell’importanza delle feature ha identificato coesione e peso di volume come i parametri più influenti. La capacità di generalizzazione è stata confermata dai test su dati non utilizzati in fase di addestramento, dove Boosted Tree ha raggiunto un’accuratezza dello 0.920 e RF dello 0.880.

Implicazioni Pratiche e Limiti

Dal punto di vista operativo, i modelli ensemble testati si configurano come strumenti di screening rapidi per la classificazione del pericolo di frana. Un progettista o un ufficio tecnico potrebbe utilizzarli nella fase di analisi preliminare di un fronte di scavo o di un versante naturale, incrociando i parametri geotecnici disponibili con il database di riferimento e ottenendo un primo indicatore di rischio. Ciò consentirebbe di ottimizzare la campagna di indagini geognostiche, concentrando le risorse sui casi a maggiore criticità. Tuttavia, è opportuno considerare i limiti dello studio. Il database utilizzato, sebbene corposo, proviene da letteratura e potrebbe non coprire tutte le litologie o condizioni al contorno (es. effetti sismici, saturazione parziale). Inoltre, si tratta di un modello predittivo di classificazione: fornisce una stima probabilistica di stabilità, non un fattore di sicurezza. La sua affidabilità è vincolata alla qualità e alla rappresentatività dei dati di input. Pertanto, i risultati vanno intesi come supporto decisionale e non come sostituto delle verifiche geotecniche di dettaglio richieste dalla normativa.

Conclusioni

La ricerca conferma che i modelli di apprendimento ensemble, in particolare Boosted Tree e Random Forest, rappresentano strumenti validi e interpretabili per la previsione preliminare della stabilità dei pendii. La loro capacità di gestire relazioni non lineari tra le variabili e di generalizzare su nuovi casi li rende un complemento efficace per la classificazione del pericolo di frana nella gestione delle infrastrutture. Prospettive future di sviluppo includono l’integrazione con dati geospaziali in tempo reale e l’estensione del database per migliorare la robustezza dei predittori in contesti geologici differenziati.

SCHEDA RIASSUNTIVA DEI DATI

• ROC-AUC (Random Forest): 0.93 – miglior valore tra i modelli testati nell’analisi ROC.
• Accuratezza (Boosted Tree su test): 0.920 – prestazione più alta sui casi non visti.
• F1-Score (Boosted Tree): 0.874 – metrica di bilanciamento tra precisione e richiamo più elevata.
• Variabili più influenti: Coesione e peso di volume – identificate dall’analisi di importanza delle feature.
• Numerosità del database: 627 casi di pendio utilizzati per addestramento e validazione.

METADATA DEL PAPER

• DOI: 10.3390/civileng7030039
• Autori: Yulin Zou, Shahab Hosseini, et al.
• Rivista: MDPI Civil Engineering
• URL Sorgente: https://www.mdpi.com/2673-4109/7/3/39