GILA: uno strumento basato sul Machine Learning per l’analisi di parametri geotecnici

Geotechnical parameter estimation is a crucial aspect of civil engineering, influencing the design and construction of safe and sustainable infrastructure. Traditional methods, combining laboratory tests, in-situ measurements, and empirical correlations, present challenges such as high costs, time constraints, and potential inaccuracies due to natural soil variability and subjective correlation selection. To address these limitations, this work introduces GILA, a Machine Learning-based tool designed to streamline geotechnical parameter prediction. GILA leverages Machine Learning to learn relationships between soil properties and measured parameters directly from user-provided datasets. The tool eliminates the need for manual selection of empirical correlations by adapting to varying soil conditions through automated model training. Its development covers problem definition to implementation, covering dataset preprocessing, model selection, and evaluation. The results show the potential of Machine Learning in enhancing geotechnical analysis by providing more efficient and reliable estimations. GILA aims to assist civil engineers in obtaining preliminary geotechnical parameters quickly, optimizing decision-making in early project stages.

La stima dei parametri geotecnici è un aspetto fondamentale dell'ingegneria civile, che influenza la progettazione e la costruzione di infrastrutture sicure e sostenibili. I metodi tradizionali, che combinano prove di laboratorio, misurazioni in situ e correlazioni empiriche, presentano problemi, quali costi elevati, vincoli di tempo e potenziali imprecisioni dovute alla naturale variabilità del terreno e alla selezione soggettiva delle correlazioni. Per affrontare queste limitazioni, questa tesi presenta GILA, uno strumento basato sul Machine Learning progettato per semplificare la previsione dei parametri geotecnici. GILA sfrutta il Machine Learning per apprendere le relazioni tra le proprietà del terreno e i parametri misurati direttamente dai set di dati forniti dall'utente. In questo modo si elimina la necessità di selezionare manualmente le correlazioni empiriche, adattandosi alle diverse condizioni del terreno attraverso l'addestramento automatico del modello. Lo sviluppo di GILA comprende dalla definizione del problema all'implementazione, all'elaborazione del set di dati, alla selezione del modello e alla valutazione. I risultati dimostrano il potenziale del Machine Learning nel migliorare l'analisi geotecnica, fornendo stime più efficienti e affidabili. GILA mira ad aiutare gli ingegneri civili a ottenere un'analisi preliminare dei parametri geotecnici, ottimizzando il processo decisionale nelle prime fasi del progetto.