Analisi del consolidamento del suolo con reti neurali

Un nuovo studio presenta una rete neurale, denominata LBC-PINN (Lagged Backward-Compatible Physics-Informed Neural Network), progettata per simulare e invertire il processo di consolidamento unidimensionale del suolo non saturo sottoposto a carichi prolungati nel tempo.

L'architettura affronta le sfide legate alla dissipazione accoppiata della pressione dell'aria e dell'acqua attraverso domini temporali multiscala, integrando la segmentazione temporale logaritmica, l'applicazione di una perdita di compatibilità ritardata e il transfer learning segment-wise. Questo approccio mira a migliorare la precisione e l'efficienza computazionale.

Validazione e risultati

Nei test di analisi predittiva, la LBC-PINN, con schemi di segmentazione raccomandati, ha dimostrato di prevedere accuratamente l'evoluzione della pressione dell'aria e dell'acqua nei pori. Le previsioni del modello sono state validate confrontandole con i risultati ottenuti tramite il metodo degli elementi finiti (FEM), con errori medi assoluti inferiori a 1e-2 per durate fino a 1e10 secondi. Una strategia di segmentazione semplificata, basata sul tempo caratteristico di dissipazione della fase aerea, ha ulteriormente migliorato l'efficienza computazionale mantenendo un'elevata accuratezza predittiva. Le analisi di sensibilità hanno confermato la robustezza del framework in un intervallo di rapporti di permeabilità aria-acqua compreso tra 1e-3 e 1e3.

Per chi valuta deployment on-premise, esistono trade-off da considerare. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi aspetti.