On the performance of data‑driven dynamic models for temperature compensation on bridge monitoring data

Autori:

Abstract:

Nel campo del monitoraggio infrastrutturale (SHM), le variabili ambientali e operative rappresentano una sfida costante. Tali variabili inducono fluttuazioni nei dati misurati, riducendo di conseguenza la sensibilità del sistema nel rilevare eventuali anomalie. La temperatura locale emerge come uno dei principali fattori esterni nel monitoraggio dei ponti, che può essere gestito ed efficacemente compensato attraverso un approccio data-driven basato su modelli di Intelligenza Artificiale. La letteratura offre numerosi algoritmi per modellare la complessa relazione, spesso non lineare e tempo-variante, tra la temperatura e la risposta strutturale misurata. Il presente lavoro si pone l’obiettivo di testare una metodologia basata sull’algoritmo Sparse Identification of Nonlinear Dynamics with Control (SINDYc) sui dati SHM, al fine di individuare una soluzione più flessibile, interpretabile e robusta al rumore. Le prestazioni di tale algoritmo vengono confrontate con il modello autoregressivo a ingressi esogeni (ARX) e con la regressione lineare statica. L'analisi comparativa si concentra sui segnali di spostamento provenienti da due diversi set di dati, acquisiti rispettivamente da un ponte ferroviario a travata Warren in acciaio e da un ponte in cemento armato, equipaggiati con sistemi di monitoraggio permanenti. A differenza di molti studi esistenti, questa ricerca esamina anche la robustezza dei modelli rispetto al rumore e la loro accuratezza nelle previsioni su lunghi orizzonti temporali. I risultati numerici ottenuti con l'algoritmo SINDYc sono promettenti, evidenziando previsioni accurate e un'ottima resistenza al rumore nelle variabili di stato. Al contrario, il modello ARX e la regressione lineare mostrano difficoltà nel filtraggio del rumore, il primo nella fase di inizializzazione e la seconda in presenza di segnali rumorosi o non lineari, limiti che possono influenzare significativamente le prestazioni nelle applicazioni reali di monitoraggio strutturale.