Un approccio basato sull’Intelligenza Artificiale a supporto dell’installazione di cavi sottomarini

L'installazione di cavi sottomarini per garantire il collegamento elettrico e per le infrastrutture di traffico dati è un processo fondamentale per assicurare non solo stabilità ed efficienza energetica, ma anche nel campo delle telecomunicazioni. Le operazioni di posa dei cavi avvengono per mezzo di aratri sottomarini che realizzano una trincea all’interno della quale viene adagiato il cavo, direttamente sul fondale. Per progettare correttamente il processo di traino è necessario stimare la forza necessaria per imporre il moto richiesto all’aratro, che dipende da vari fattori come la tipologia di aratro, le caratteristiche idro-meccaniche del terreno, la profondità di installazione e la velocità di avanzamento dell’aratro stesso: stimare accuratamente tale forza per la progettazione efficace delle operazioni è dunque un’operazione molto complessa. Recentemente è stato mostrato come i metodi disponibili per stimare la forza di traino basati su modelli analitici, con fattori di correzione empirici, hanno 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, permette di superare le limitazioni tipiche degli approcci tradizionali. In questa nota, gli autori valutano potenzialità predittive in termini di forza di traino di questo approccio, addestrato e validato attraverso dati di sito riguardanti terreni granulari, comprendenti 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.