Monitoraggio strutturale dei ponti con modelli surrogati multipli e metodi bayesiani per l’identificazione del danno

Il monitoraggio strutturale delle infrastrutture sta assumendo un ruolo sempre più centrale nella gestione della sicurezza di ponti e viadotti. La crescente diffusione dei sistemi di Structural Health Monitoring consente oggi di raccogliere dati continui sul comportamento delle opere, aprendo nuove prospettive per la diagnosi precoce del danno. In questo contesto, le metodologie basate su modelli numerici e approcci probabilistici rappresentano una delle frontiere più avanzate della ricerca. Il lavoro presentato da Laura Ierimonti al III Convegno FABRE 2026 propone un framework innovativo che integra modelli surrogati multipli e inferenza bayesiana per supportare l’identificazione del danno nei ponti riducendo al tempo stesso l’onere computazionale delle analisi.

Un approccio probabilistico e model-based per l’identificazione del danno nelle infrastrutture monitorate

Nel panorama della gestione delle infrastrutture strategiche, il monitoraggio strutturale sta attraversando una trasformazione profonda. Sensori distribuiti, sistemi di acquisizione continua dei dati e piattaforme digitali consentono oggi di raccogliere una quantità crescente di informazioni sul comportamento reale delle opere. Tuttavia, la disponibilità del dato non coincide automaticamente con la capacità di interpretarlo. È proprio su questo passaggio che si concentra il lavoro presentato da Laura Ierimonti, insieme a Elisa Tomassini, Enrique Garcia-Macias e Filippo Ubertini, nel corso del III Convegno FABRE, svoltosi a Roma dal 16 al 19 febbraio 2026.

La ricerca affronta uno dei temi più complessi dell’ingegneria strutturale contemporanea: come trasformare i dati del monitoraggio in strumenti affidabili per la diagnosi del danno e il supporto alle decisioni. L’approccio proposto integra metodi bayesiani e modelli surrogati multipli, con l’obiettivo di rendere concretamente applicabili metodologie model-based anche in contesti operativi reali, dove gli elevati costi computazionali rappresentano ancora un limite significativo.

La relazione è stata presentata al III Convegno FABRE (Roma, 16-19 febbraio 2026) e gli autori sono: Laura Ierimonti, Elisa Tomassini, Enrique Garcia-Macias e Filippo Ubertini.

Dal monitoraggio alla diagnosi: il salto dai metodi data-driven ai modelli fisici

Negli ultimi anni gran parte dei sistemi di Structural Health Monitoring si è basata su approcci data-driven, capaci di individuare anomalie attraverso l’analisi statistica dei dati misurati. Questi metodi risultano estremamente efficaci per identificare variazioni nel comportamento dell’opera, ma spesso non riescono a spiegare l’origine fisica del fenomeno osservato né a localizzare con precisione il danno.

Per le infrastrutture strategiche, come grandi ponti o viadotti, emerge quindi la necessità di compiere un passo ulteriore: passare da una semplice rilevazione dell’anomalia a una vera interpretazione meccanica dello stato strutturale. È in questo contesto che si collocano gli approcci model-based, nei quali il comportamento reale dell’opera viene confrontato con quello previsto da modelli numerici calibrati.

Il problema principale di queste metodologie è noto: la loro applicazione richiede modelli numerici complessi, simulazioni iterative e processi di aggiornamento estremamente onerosi dal punto di vista computazionale. La proposta illustrata da Laura Ierimonti punta proprio a superare questo ostacolo attraverso l’utilizzo dei modelli surrogati, strumenti matematici semplificati capaci di riprodurre il comportamento del modello ad alta fedeltà con tempi di calcolo drasticamente ridotti.

Il modello surrogato viene costruito a partire dalla conoscenza dell’opera — disegni originali, prove non distruttive, dati di monitoraggio — e rappresenta la relazione tra parametri strutturali sensibili al danno, come la rigidezza, e le grandezze misurabili dai sensori, quali frequenze proprie o forme modali. Una volta definita questa relazione, è possibile affrontare il cosiddetto problema inverso: risalire, a partire dai dati osservati, ai parametri strutturali che hanno subito variazioni e che quindi possono essere associati a un danno.

Il ruolo dei metodi bayesiani nell’identificazione del danno

Uno degli aspetti più innovativi della ricerca riguarda l’impiego di molteplici modelli surrogati, ciascuno rappresentativo di differenti scenari di danno. In assenza di database reali sufficientemente estesi sui danneggiamenti delle infrastrutture, infatti, i possibili scenari devono essere simulati numericamente.

L’idea sviluppata dal gruppo di ricerca consiste nel costruire diversi modelli competitivi, ognuno caratterizzato da specifiche ipotesi di degrado o riduzione di rigidezza. Quando i dati del monitoraggio vengono acquisiti, il problema inverso viene risolto separatamente per ciascun modello, ottenendo così differenti interpretazioni del comportamento osservato.

Per determinare quale scenario sia il più probabile entra in gioco il Bayesian Information Criterion (BIC), criterio statistico che bilancia due fattori fondamentali: la capacità del modello di spiegare i dati osservati e la sua complessità. In altre parole, il metodo premia i modelli che riescono a rappresentare efficacemente il comportamento reale evitando però un eccesso di parametri o di sofisticazione.

L’intero processo si basa sul paradigma bayesiano del model updating. Le distribuzioni a priori dei parametri incerti vengono aggiornate attraverso la funzione di verosimiglianza, che misura la differenza tra i dati registrati dal sistema di monitoraggio e quelli previsti dal modello numerico. Dal punto di vista computazionale, la soluzione viene ottenuta tramite algoritmi Monte Carlo Markov Chain, nei quali le catene esplorano progressivamente lo spazio delle possibili soluzioni fino a convergere verso le distribuzioni a posteriori più probabili.

Si tratta di un approccio che introduce nella diagnostica strutturale una dimensione probabilistica particolarmente importante, perché consente di gestire esplicitamente le inevitabili incertezze presenti sia nei dati misurati sia nei modelli numerici.

Il caso studio sviluppato nell’ambito della convenzione FABRE-ANAS

La metodologia è stata applicata a un ponte monitorato nell’ambito della convenzione FABRE-ANAS: un’opera multicellulare a cinque campate, post-tesa, lunga circa 340 metri. Per il caso studio sono stati calibrati due differenti modelli numerici: uno dedicato alla costruzione dei modelli surrogati e uno utilizzato per simulare gli scenari di danno.

L’analisi modale ha portato inizialmente all’identificazione di sedici modi di vibrare, successivamente ridotti a dodici per garantire la coerenza tra i diversi modelli impiegati. I risultati della calibrazione hanno mostrato una buona corrispondenza sia in termini di frequenze naturali sia di forme modali.

Sono quindi stati definiti sei modelli surrogati differenti. I primi cinque rappresentavano scenari localizzati di danno nelle diverse campate del ponte, suddivise in porzioni caratterizzate da variazioni di rigidezza. Il sesto modello considerava invece simultaneamente venti parametri distribuiti sull’intera opera.

Particolarmente interessante è il fatto che gli scenari di danno simulati siano stati costruiti a partire da fenomeni effettivamente osservati sulla struttura reale. In particolare, il team ha modellato alcune fessurazioni presenti nelle anime laterali dei cassoni in controsolletta come riduzioni equivalenti di rigidezza localizzate nella terza campata.

L’esito dell’analisi ha mostrato come il Bayesian Information Criterion sia riuscito a identificare correttamente lo scenario più probabile, nonostante il danno fosse stato generato attraverso un modello numerico differente rispetto a quello utilizzato per l’identificazione. Anche le distribuzioni a posteriori dei parametri aggiornati hanno evidenziato una coerenza significativa con i valori imposti nelle simulazioni.

I ricercatori sottolineano naturalmente i limiti intrinseci del problema: l’incertezza dei modelli, l’influenza delle distribuzioni a priori e la complessità dei fenomeni reali impediscono di aspettarsi una corrispondenza perfetta tra danno reale e danno identificato. Tuttavia, i risultati ottenuti mostrano chiaramente il potenziale operativo della metodologia.

Verso sistemi di monitoraggio sempre più intelligenti

Il lavoro presentato al Convegno FABRE evidenzia una direzione di sviluppo sempre più centrale per l’ingegneria delle infrastrutture: trasformare il monitoraggio continuo da semplice raccolta dati a strumento decisionale avanzato.

L’utilizzo di modelli surrogati multipli consente infatti di ridurre drasticamente i tempi di calcolo, aprendo la possibilità di implementare procedure di aggiornamento e valutazione quasi in tempo reale su opere strategiche. Si tratta di un passaggio cruciale per supportare i gestori infrastrutturali nelle decisioni relative a manutenzione, limitazioni di esercizio o interventi prioritari.

La ricerca lascia inoltre intravedere prospettive particolarmente interessanti legate al transfer learning e alla possibilità di estendere progressivamente la conoscenza acquisita da singole opere monitorate a reti infrastrutturali più ampie. Un obiettivo che, se raggiunto, potrebbe contribuire in modo decisivo alla costruzione di sistemi di gestione del rischio sempre più predittivi, affidabili e sostenibili.

DI SEGUITO LA RELAZIONE INTEGRALE DI LAURA IERIMONTI.

Il testo è stato elaborato mediante la videoregistrazione dell'intervento, con l'aiuto di strumenti IA (ChatGpT).

IN SINTESI
-Il lavoro presentato al III Convegno FABRE 2026 propone un approccio innovativo per il monitoraggio strutturale dei ponti basato su modelli surrogati multipli e inferenza bayesiana.
-La metodologia combina dati provenienti dai sistemi di monitoraggio con modelli numerici calibrati per identificare scenari di danno nelle infrastrutture strategiche.
-L’utilizzo dei modelli surrogati consente di ridurre significativamente l’onere computazionale tipico degli approcci model-based tradizionali.
-Il framework utilizza il Bayesian Information Criterion per confrontare diversi scenari di danno e individuare quello statisticamente più probabile.
-Il metodo è stato validato su un ponte monitorato nell’ambito della convenzione FABRE-ANAS, mostrando risultati promettenti per applicazioni operative di Structural Health Monitoring.