Installazione di cavi sottomarini in terreni granulari: approcci analitici vs machine learning

I parchi eolici offshore rappresentano importanti centri di produzione di energia, dal momento che sfruttano risorse rinnovabili e con basso impatto ambientale. L'installazione dei cavi di collegamento tra le stazioni in mare aperto e le infrastrutture a terra implica sfide tecniche significative, sia a causa delle condizioni particolari dei fondali marini che dei costi associati, che costituiscono circa il 9% dell'investimento totale. Le operazioni di posa dei cavi sfruttano speciali aratri sottomarini che permettono di installare i cavi direttamente sul fondale. La forza di traino necessaria per questa operazione dipende da vari fattori come la tipologia di terreno, la profondità di installazione e la velocità del processo: una stima accurata di tale forza per la progettazione efficace delle operazioni è dunque un’operazione molto complessa. Attualmente, i metodi disponibili per stimare la forza di traino si basano su modelli analitici con fattori di correzione empirici, derivati principalmente da dati di progetti precedenti e test di laboratorio. Tuttavia, le relazioni empiriche su cui si basano questi modelli hanno spesso mostrato scarse capacità predittive se applicate a contesti differenti rispetto a quello di calibrazione. L'uso di tecniche di machine learning, quali il Support Vector Machine, si presenta come una soluzione promettente per superare le limitazioni degli approcci tradizionali. In questa nota, gli autori valutano potenzialità predittive in termini di forza di traino di questo approccio, addestrato e validato prendendo in input esclusivamente la profondità di installazione, la velocità dell'aratro e dati provenienti dalla caratterizzazione standard del sito, quali le caratteristiche granulometriche e risultati di prove CPT.