Approcci machine learning per la modellazione del comportamento fisicomeccanico di miscele bituminose per infrastrutture viarie

UNIVERSITÀ DEGLI STUDI DI TRIESTE

UNIVERSITÀ DEGLI STUDI DI UDINE

XXXVI CICLO DEL DOTTORATO DI RICERCA IN

INGEGNERIA CIVILE-AMBIENTALE E ARCHITETTURA

interateneo tra l’Università degli Studi di Trieste e l’Università degli Studi di Udine

APPROCCI MACHINE LEARNING PER LA

MODELLAZIONE DEL COMPORTAMENTO FISICO-

MECCANICO DI MISCELE BITUMINOSE PER

INFRASTRUTTURE VIARIE

Settore scientifico-disciplinare: ICAR/04

DOTTORANDO

FABIO RONDINELLA

COORDINATORE

PROF. ALBERTO SDEGNO

SUPERVISORE DI TESI

PROF. NICOLA BALDO

CO-SUPERVISORE DI TESI

PROF. CLARA CELAURO

ANNO ACCADEMICO 2022/2023 Ai miei genitori

Sommario

Negli ultimi anni, uno dei concetti fondamentali che rappresenta la direzione verso cui tende la

ricerca in molti settori dell’ingegneria è rappresentato dalla doppia transizione. Per doppia tran-

sizione si intende la fusione degli avanzamenti tecnologici sia in chiave digitale che ambientale

al fine di soddisfare gli obiettivi di sviluppo sostenibile annunciati dalle Nazioni Unite. In questo

contesto, gioca un ruolo cruciale l’ingegneria delle pavimentazioni in quanto settore fondamen-

tale per lo sviluppo socio-economico di un Paese. A tal proposito, questo elaborato di tesi si

propone di implementare innovativi algoritmi di apprendimento automatico per l’elaborazione

di ingenti quantità di dati e lo sviluppo di modelli predittivi del comportamento fisico-meccanico

di miscele bituminose per pavimentazioni stradali e/o aeroportuali. Attraverso moderne pro-

cedure di pre-elaborazione, generazione sintetica di osservazioni, validazione incrociata ed

ottimizzazione degli iperparametri è stato infatti possibile prevedere con elevata precisione e

ragguardevole attendibilità uno o (simultaneamente) più parametri legati alle caratteristiche

prestazionali delle miscele investigate, anche se molto diverse tra loro. In questo senso, l’impatto

dell’apprendimento automatico sulla moderna ingegneria delle pavimentazioni può risultare

tutt’altro che trascurabile, andando ad interessare diverse fasi procedurali che coinvolgono la

progettazione, la costruzione e la manutenzione delle pavimentazioni stradali e/o aeroportuali.

Nello specifico, un risultato tangibile del presente elaborato è rappresentato dalla possibilità di

semplificare e velocizzare le convenzionali procedure di progettazione delle pavimentazioni,

riducendo i carichi di lavoro in laboratorio e la successiva generazione di scarti. In questo modo,

oltre ad una potenziale digitalizzazione dei dati di caratterizzazione prestazionale dei conglo-

merati bituminosi, si provvede ad aumentare la sostenibilità dei correlati processi produttivi,

soddisfacendo entrambe le richieste in termini di doppia transizione.

i

Abstract

In recent years, one of the key concepts representing the direction toward which research is

heading in many areas of engineering is represented by the twin transition. The twin transition

refers to the merging of both digital and environmental technological breakthroughs in order to

meet the sustainable development goals announced by the United Nations. In this framework,

pavement engineering plays a crucial role as a key sector for the socio-economic development

of a country. In this respect, this dissertation aims to implement innovative machine learning

algorithms for the processing of large amounts of data and the subsequent development of

predictive models of asphalt mixtures’ physical-mechanical behavior for road and/or airport

pavements. By means of modern preprocessing procedures, data augmentation techniques,

cross-validation and hyperparameter optimization, it has been possible to predict with high

accuracy and remarkable reliability one or (simultaneously) several parameters related to the

physical-mechanical behavior of the investigated mixtures, even if they greatly differ from

each other. In this sense, the impact of machine learning on modern pavement engineering

may be far from negligible, affecting several procedural stages of road and/or airport pavement

design, construction and maintenance. In particular, a specific result of the current dissertation

is the feasibility of simplifying and speeding up conventional pavement design procedures,

reducing laboratory workloads and the subsequent waste generation. In this way, in addition to

a potential digitalization of data in terms of performance characterization of asphalt mixtures,

the sustainability of the associated production processes would be increased, satisfying both

requirements of a successful twin transition. iii

Indice

Sommario i

Abstract iii

1 Introduzione 1

2 Cenni di Tecnologia Stradale e Aeroportuale 4

2.1 Aggregati lapidei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.1.1 Dimensioni e granulometria . . . . . . . . . . . . . . . . . . . . . . . . 6

2.1.2 Forma ed appiattimento . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.1.3 Equivalente in sabbia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1.4 Blu di metilene . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1.5 Prova Los Angeles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1.6 Resistenza alla levigazione . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.2 Leganti bituminosi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.2.1 Caratterizzazione empirica . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.2.2 Prova di penetrazione . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.2.3 Prova di rammollimento . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.2.4 Punto di infiammabilità . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.2.5 Solubilità in solventi organici . . . . . . . . . . . . . . . . . . . . . . . 11

2.2.6 Punto di rottura Fraass . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2.7 Prova di duttilità . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2.8 Prova di recupero elastico . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.3 Conglomerati bituminosi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.3.1 Requisiti generali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.3.2 Requisiti empirici . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.3.3 Requisiti fondamentali . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.4 Valutazione strutturale delle pavimentazioni . . . . . . . . . . . . . . . . . . . 20

3 Cenni di Intelligenza Artificiale e Machine Learning 22

3.1 Cos’è l’Intelligenza Artificiale? . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3.1.1 Pensare in modo umano: l’approccio della modellazione cognitiva . . 23

3.1.2 Pensare in modo razionale: l’approccio delle "leggi del pensiero" . . . 23

v INDICE

3.1.3 Agire in modo razionale: l’approccio dell’agente razionale . . . . . . . 24

3.1.4 Agire in modo umano: l’approccio del Test di Turing . . . . . . . . . . 24

3.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3.2.1 Apprendimento non supervisionato . . . . . . . . . . . . . . . . . . . . 27

3.2.2 Apprendimento per rinforzo . . . . . . . . . . . . . . . . . . . . . . . . 28

3.2.3 Apprendimento supervisionato . . . . . . . . . . . . . . . . . . . . . . 28

3.3 Data Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.3.1 Raccolta e descrizione dei dati . . . . . . . . . . . . . . . . . . . . . . . 30

3.3.2 Analisi esplorativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.3.3 Analisi qualitativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.3.4 Preparazione ed integrazione . . . . . . . . . . . . . . . . . . . . . . . 31

3.3.5 Gestione e normalizzazione . . . . . . . . . . . . . . . . . . . . . . . . 32

3.3.6 Estrazione e selezione delle caratteristiche . . . . . . . . . . . . . . . . 32

3.3.7 Modellazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.4 Compromesso Bias-Varianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.4.1 Cosa si intende per Bias . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.4.2 Cosa si intende per Varianza . . . . . . . . . . . . . . . . . . . . . . . . 34

3.4.3 Spiegazione analitica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.4.4 Fenomeni di Underfitting ed Overfitting . . . . . . . . . . . . . . . . . 35

3.5 Early Stopping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3.5.1 Criteri d’arresto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.6 Convalida Incrociata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.6.1 Leave-One-Out Cross-Validation . . . . . . . . . . . . . . . . . . . . . 41

3.6.2 k-fold Cross-Validation . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.6.3 Compromesso Bias-Varianza nella convalida incrociata . . . . . . . . . 43

3.7 Regolazione degli iperparametri . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.7.1 Ricerca a griglia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3.7.2 Ricerca casuale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.7.3 Ricerca intelligente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.7.4 Ottimizzazione Bayesiana . . . . . . . . . . . . . . . . . . . . . . . . . 47

3.8 Valutazione della bontà di adattamento . . . . . . . . . . . . . . . . . . . . . . 48

3.8.1 Metriche di classificazione . . . . . . . . . . . . . . . . . . . . . . . . . 49

3.8.2 Metriche di regressione . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4 Algoritmi di Machine Learning 54

4.1 Regressione Lineare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

4.1.1 Regressione Ridge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.1.2 Regressione Lasso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.2 Macchine a Vettori di Supporto . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.2.1 Kernel Trick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4.3 Reti Neurali Artificiali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

4.3.1 Analogia biologica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

4.3.2 Neurone artificiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

vi

INDICE

4.3.3 Gestione delle non linearità . . . . . . . . . . . . . . . . . . . . . . . . 62

4.3.4 Architettura di una rete neurale . . . . . . . . . . . . . . . . . . . . . . 64

4.3.5 Principali architetture neurali . . . . . . . . . . . . . . . . . . . . . . . 65

4.3.6 Percettrone multistrato . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.3.7 Algoritmo di retropropagazione . . . . . . . . . . . . . . . . . . . . . . 68

4.3.8 Regolazione dei pesi sinaptici dello strato di output . . . . . . . . . . . 70

4.3.9 Regolazione dei pesi sinaptici degli strati intermedi . . . . . . . . . . . 71

4.3.10 Algoritmo Levenberg-Marquardt . . . . . . . . . . . . . . . . . . . . . 73

4.4 Alberi Decisionali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4.4.1 Contesto algoritmico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

4.4.2 Criteri di divisione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

4.4.3 Criteri di arresto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.4.4 Metodi di potatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.4.5 Algoritmo CART . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

4.4.6 Modelli Ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

4.4.7 Gradient Boosting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

4.4.8 CatBoost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

5 Approccio di Ricerca 88

6 Capacità Portante di una Pista di Volo 90

6.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

6.2 Campagna Sperimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

6.2.1 Indagini in situ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

6.2.2 Parametri del bacino di deflessione - DBPs . . . . . . . . . . . . . . . . 95

6.2.3 Procedura di back-calculation . . . . . . . . . . . . . . . . . . . . . . . 96

6.3 Modellazione predittiva con approcci neurali superficiali . . . . . . . . . . . . 96

6.3.1 Regolarizzazione Bayesiana . . . . . . . . . . . . . . . . . . . . . . . . 99

6.3.2 Data Augmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

6.4 Discussione dei risultati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

6.5 Conclusioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

7 Caratterizzazione Prestazionale di Conglomerati Bituminosi 108

7.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

7.2 Campagna Sperimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

7.2.1 Materiali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

7.2.2 Indagini di laboratorio . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

7.3 Modellazione predittiva con approcci neurali profondi . . . . . . . . . . . . . . 116

7.3.1 Regolarizzazione L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

7.3.2 Ottimizzazione Bayesiana degli iperparametri . . . . . . . . . . . . . . 116

7.4 Discussione dei risultati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118

7.5 Conclusioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

vii

INDICE

8 Influenza di Filler Sostenibili sul Comportamento Meccanico di Miscele Bitumi-

nose 124

8.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

8.2 Campagna Sperimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

8.2.1 Materiali . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

8.2.2 Indagini di laboratorio . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

8.3 Modellazione predittiva con approccio CatBoost . . . . . . . . . . . . . . . . . 132

8.3.1 Data Augmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

8.4 Discussione dei risultati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

8.4.1 Risultati di laboratorio . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

8.4.2 Risultati della modellazione predittiva . . . . . . . . . . . . . . . . . . 139

8.5 Conclusioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143

9 Modulo Complesso di Conglomerati Bituminosi 147

9.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147

9.2 Campagna Sperimentale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

9.2.1 Selezione dei materiali e test di modulo dinamico . . . . . . . . . . . . 149

9.2.2 Equazioni empiriche per |E*| . . . . . . . . . . . . . . . . . . . . . . . . 150

9.3 Modellazione predittiva con approccio CatBoost . . . . . . . . . . . . . . . . . 153

9.3.1 Variabili di input ed output . . . . . . . . . . . . . . . . . . . . . . . . 155

9.3.2 Correlazioni esistenti tra le variabili . . . . . . . . . . . . . . . . . . . 155

9.4 Discussione dei risultati . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156

9.4.1 Analisi di sensitività . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

9.4.2 Analisi SHAP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

9.4.3 Confronto tra modelli . . . . . . . . . . . . . . . . . . . . . . . . . . . 162

9.5 Conclusioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164

10 Conclusioni 166

Elenco delle figure 168

Elenco delle tabelle 171

Bibliografia 172

A Lista delle Pubblicazioni 196

B Elenco delle Abbreviazioni 200

viii

Capitolo 1

Introduzione

” There were five exabytes of information created between the dawn of

civilization through 2003, but that much information is now created

every two days. — Eric Schmidt

Alla luce del rapido sviluppo della società civile e del costante progresso del settore del-

l’ingegneria delle infrastrutture di trasporto, la comprensione e le esigenze funzionali delle

pavimentazioni stradali e/o aeroportuali aumentano di giorno in giorno. Inoltre, la comparsa di

"nuovi" materiali funzionali e lo sviluppo di discipline trasversali hanno fornito un importante so-

stegno alla progettazione ed alla costruzione di molteplici tipologie di pavimentazioni funzionali

eco-compatibili, ampliando ulteriormente il campo di ricerca sui materiali. Pertanto, la sosteni-

bilità delle procedure di progettazione unitamente alla costruzione di pavimentazioni cosiddette

rappresenta l’attuale direzione prioritaria cui tendono la moderne tecno-

environmental-friendly

logie stradali e aeroportuali [Zhang, 2019]. Per incentivare una simile transizione, nel 2015 le

Nazioni Unite hanno annunciato i 17 obiettivi di sviluppo sostenibile (Sustainable Development

- SDGs) al fine di focalizzare l’attenzione di tutti gli Stati membri su molteplici questioni

Goals

economiche, ambientali e di sostenibilità [Lee et al., 2016, Subramaniam et al., 2023]. In partico-

lare, il nono SDG fa riferimento alla costruzione di infrastrutture resilienti, all’industrializzazione

sostenibile ed alla riduzione del consumo di risorse non rinnovabili [Senadjki et al., 2022]. Il

raggiungimento di questi obiettivi rappresenta un fattore molto interessante sia dal punto di

vista della fattibilità tecnica sia, al tempo stesso, in un’ottica di transizione verso l’economia

circolare pianificata per il 2030 [Huang et al., 2022, Khajuria et al., 2022].

Il settore dell’ingegneria delle pavimentazioni è sempre stato particolarmente sensibile alle

questioni legate al concetto di sostenibilità, e per molti anni i ricercatori di tutto il mondo

hanno dedicato i loro sforzi alla comprensione delle conseguenze scaturite dal riutilizzo dei

cosiddetti materiali secondari [Behera and Mishra, 2012, Abreu et al., 2015, C