A Deep Learning Approach to Detect Failures in Bridges Based on the Coherence of Signals

Autori:

Abstract:

Il monitoraggio strutturale (Structural Health Monitoring - SHM) delle infrastrutture civili è diventato un tema di grande attualità negli ultimi anni. Il fattore chiave è la spinta tecnologica fornita da nuove soluzioni scalabili, che permettono l'acquisizione, l'archiviazione, l'elaborazione e la visualizzazione dei dati in tempo reale, consentendo così di valutare lo stato di salute di una struttura. Tuttavia, i dati relativi a condizioni di anomalia sono difficili da reperire e, quando tali condizioni si manifestano, è generalmente troppo tardi per intervenire. Per questo motivo, il problema viene affrontato come non supervisionato (unsupervised), data l'assenza di dati etichettati, adottando solitamente algoritmi di anomaly detection. Questa ricerca propone un algoritmo innovativo che trasforma il problema, intrinsecamente non supervisionato, in uno supervisionato (supervised) ai fini del monitoraggio delle condizioni strutturali. Si considera un ponte fluviale, soggetto a rischio di scalzamento delle fondazioni, equipaggiato con sensori che misurano grandezze statiche (rotazioni delle pile e parametri ambientali), con le quali si costruiscono un numero di modelli di Intelligenza Artificiale pari al numero di sensori installati. Il sistema viene quindi rappresentato dall'insieme di questi modelli, utili a confrontare, per ogni sensore, la misurazione reale con quella stimata e valutare il residuo tra le due. Tale differenza può essere interpretata come un sintomo di cambiamenti nella struttura rispetto alla condizione considerata nominale. L'approccio è applicato a un caso di studio reale e viene confrontato con un rilevatore di anomalie allo stato dell'arte (nello specifico, un autoencoder) per validarne la robustezza.