Il Progetto qui proposto è focalizzato sull'utilizzo dell'Intelligenza Artificiale, meglio nota come Artificial Intelligence (AI), per l'analisi di grandi moli di dati acquisiti da sistemi di monitoraggio multi-parametrici applicati alla mitigazione del rischio da frana. L'obiettivo principale si focalizza sulla definizione di un nuovo approccio di analisi per la comprensione intelligente, tramite lo sviluppo di algoritmi di machine learning (ML) di tipo Artificial Neural Network (ANN), delle relazioni di causa-effetto vigenti tra azioni forzanti un sistema fisico naturale, oggetto di monitoraggio, e le deformazioni in esso indotte e per la previsione di fenomeni di frana. Le deformazioni a carico di un oggetto potenzialmente instabile, perturbato da forzanti di natura periodica/aperiodica, possono essere la combinazione di una deformazione elastica e una anelastica. Su quest'ultima si basano le analisi di rischio frana in quanto aliquote parziali non recuperabili possono comportare fenomeni di instabilità. In un'ottica di concatenazione degli effetti, le prime possono essere considerate precursori di deformazioni a più grande scala che, se cumulate nel tempo, sono in grado di concorrere alle condizioni di rottura (failure). I sistemi di monitoraggio multi-parametrici usualmente impiegati sono costituiti sia da sensori da contatto sia da sensori da remoto, abili a monitorare nel tempo la risposta all'azione di forzanti. In questa proposta, i dati di monitoraggio verranno trattati attraverso reti neurali, opportunamente concettualizzate (designing), addestrate (training) e verificate (validation). Ai fini del presente progetto, per la ANN verranno utilizzate serie storiche di monitoraggio acquisite in campi sperimentali già operativi presso il Dip. di Scienze della Terra (DST), in continua acquisizione, che permettano la costruzione di serie temporali di occorrenza di effetti deformativi precursori e che siano in grado di identificare l'insorgenza di eventi di frana.
Il Progetto di Avvio alla Ricerca qui presentato, si pone l¿obiettivo ultimo di realizzare sistemi di previsione nel tempo, in near-real time, di fenomeni di instabilità gravitativa tramite l¿applicazione a serie di dati provenienti da sistemi di monitoraggio multi-parametrico di approcci basati sull¿utilizzo di reti neurali artificiali, finalizzati all¿implementazione di sistemi di early warning system che possano essere direttamente operativi nella gestione di beni (infrastrutturali) vulnerabili esposti. L¿utilizzo di algoritmi di ML per la gestione e l¿apprendimento previsionale a partire da dati multi-parametrici ad altissima risoluzione spaziale e temporale, trasmessi in tempo quasi reale da reti multi sensoristiche di monitoraggio, pone il presente Progetto di Avvio allo stato dell¿arte nel campo della quantificazione di processi deformativi nonché nel campo della previsione di instabilità gravitative di versante.
Rispetto a quest¿ultimo aspetto, il presente Progetto ha le potenzialità di approfondire lo studio sull¿applicabilità dell¿Intelligenza Artificiale quale strumento operativo di gestione del sia del territorio sia di beni strategici esposti direttamente al rischio geologico, e di produrre risultati utili nell¿ottica dello sviluppo di strumenti per la mitigazione del rischio, che per determinati contesti e processi siano validi a scala globale e che sfruttino infrastrutture cloud (es. IaaS, Infrastructures as a Service) e sensori distribuiti a livello globale e interconnessi (cfr. Internet of Things).
Ad oggi, è stato già dimostrato in letteratura che le reti neurali artificiali [6,7], così come le loro evoluzioni in termini di reti convoluzionali [8], sono un innovativo e sofisticato strumento per la valutazione della suscettibilità da frana. Infatti, sono caratterizzate dalla possibilità di ben modellare ed apprendere artificialmente mutue relazioni tra variabili indipendenti (quali, ad esempio, le azioni forzanti un sistema fisico versante) e dipendenti (come le deformazioni in esso indotte), con il principale vantaggio di poter modellare relazioni complesse anche quando queste non sono note a-priori. Inoltre, gli approcci di analisi dati basati sulle reti neurali artificiali sono sembrati già essere particolarmente adatti per la gestione di big data [9], quali sono quelli provenienti da sistemi di monitoraggio multi-parametrico impostati con passi di campionamento elevati.
In questo contesto si innesta il presente Progetto di Avvio, che si propone l¿ambizioso proposito di spingersi con approcci di intelligenza artificiale oltre lo studio di suscettibilità da frana in termini spaziali ma di andare nel solco della quantificazione e della previsione dell¿insorgenza di deformazioni plastiche in versanti sia di piccola entità, ossia deformazioni plastiche precursori di instabilità, sia a rottura, ossia dell¿insorgenza di instabilità stessa.
L'analisi delle fasi precursori di deformazione plastica, contestualmente alla sua previsione spazio-temporale, rimane ad oggi una sfida da affrontare a causa dei complessi processi microfisici sito-specifici. Inoltre, con la crescita della varietà e la qualità dei sensori di misura, i volumi di dati disponibili nel dominio della prevenzione delle frane stanno aumentando esponenzialmente con risoluzioni spaziali, temporali e spettrali sempre crescenti. Per gestire tali complessità ed abbondanza di dati, metodi di apprendimento automatico, come quello proposto in questo Progetto, stanno, quindi, recentemente emergendo nel settore della prevenzione delle frane in maniera crescente ed efficace [10].
Bibliografia
[6] - Ermini L. et al., (2005). Geomorphology, 66(1-4), 327-343.
[7] - Gomez H. and Kavzoglu T. (2005). Engineering Geology, 78(1-2), 11-27.
[8] - Wang Y. et al., (2019). Science of the Total Environment, 666, 975-993.
[9] - Taalab K. et al., (2018). Big Earth Data, 2(2), 159-178.
[10] - Ma Z. et al., (2020). Neural Computing and Applications, 1-27.