Improving the effectiveness of anomaly detection in bridges through a deep learning method based on coherence of signals

Autori:

Abstract:

Negli ultimi anni, il monitoraggio in tempo reale delle condizioni di salute di grandi strutture, come ponti ed edifici, ha suscitato un interesse crescente. Tra i fattori chiave figurano la possibilità di stimare continuamente lo stato dell'opera, la riduzione del personale impiegato nelle ispezioni visive e il contenimento dei costi operativi. Tuttavia, nell'analisi di tali strutture, è estremamente raro osservare condizioni di anomalia e, quando queste si manifestano, è generalmente troppo tardi per intervenire. Di conseguenza, il problema dello Structural Health Monitoring (SHM) deve essere affrontato come un problema di tipo non supervisionato (unsupervised). L'idea sviluppata in questa ricerca consiste nel trasformare questo problema intrinsecamente non supervisionato in uno supervisionato (supervised). Considerando una struttura equipaggiata con un numero N di sensori, che misurano grandezze statiche o quasi-statiche (distanze, inclinazioni, temperature, ecc.), risulta utile valutare se le relazioni tra i sensori cambino nel tempo. Ciò comporta l'addestramento di N modelli, ognuno dei quali è in grado di stimare la grandezza misurata da un sensore utilizzando le altre N-1 misurazioni. In questo modo, viene costruito un insieme di modelli che rappresentano il sistema (modello iterativo). Questo approccio consente di confrontare la misurazione attesa di ogni sensore con quella reale: la differenza tra le due può essere interpretata come un sintomo di modificazioni nella struttura rispetto alla condizione nominale. L'efficacia di questo metodo è stata testata su un caso reale, il ponte di Candia in Italia.