Ponti “intelligenti”: l’IA accelera il model updating e apre al monitoraggio quasi in tempo reale

L’intelligenza artificiale sta entrando con sempre maggiore decisione anche nel campo della diagnostica strutturale e del monitoraggio delle infrastrutture. Tra le applicazioni più promettenti vi è il model updating, cioè l’aggiornamento dei modelli numerici sulla base dei dati sperimentali ottenuti dal monitoraggio reale delle strutture. La ricerca presentata da Sergio Ruggeri al III Convegno FABRE propone un approccio innovativo che combina deep reinforcement learning e modelli a ordine ridotto (ROM) per automatizzare e accelerare questo processo, con l’obiettivo di arrivare a sistemi di aggiornamento strutturale quasi in tempo reale.

Deep reinforcement learning e model updating: come l’intelligenza artificiale può cambiare il monitoraggio dei ponti

Nel mondo del monitoraggio strutturale esiste una sfida che accompagna da anni ingegneri e ricercatori: riuscire a costruire modelli numerici realmente rappresentativi del comportamento della struttura reale. È il tema del cosiddetto model updating, cioè l’aggiornamento del modello FEM sulla base dei dati sperimentali ottenuti da prove dinamiche o sistemi di monitoraggio continuo.

Tradizionalmente questo processo richiede esperienza, tempo computazionale e numerose iterazioni manuali. Il lavoro presentato da Sergio Ruggieri durante il III Convegno FABRE propone invece un approccio radicalmente diverso: affidare parte di questo processo a un agente di intelligenza artificiale basato su deep reinforcement learning.

L’obiettivo è automatizzare il processo di aggiornamento del modello strutturale e ridurre drasticamente i tempi necessari per identificare i parametri incerti della struttura.

La relazione è stata presentata al III Convegno FABRE (Roma, 16-19 febbraio 2026) e gli autori sono: Gianluca Bruno, Fabio Parisi, Sergio Ruggieri, Elena Chatzi e Giuseppina Uva.

Il problema del model updating: tra esperienza e trial-and-error

Nel model updating classico il progettista confronta i risultati del modello numerico con i dati sperimentali, cercando di minimizzare le differenze tra frequenze naturali, forme modali e coefficienti di smorzamento.

Il problema è che spesso alcuni parametri strutturali non sono noti con precisione: condizioni di vincolo, rigidezze locali, caratteristiche dei materiali o dettagli costruttivi possono differire sensibilmente dalle ipotesi progettuali.

Da qui nasce la necessità di aggiornare progressivamente il modello. Tradizionalmente questo avviene attraverso approcci deterministici — spesso basati su procedure trial-and-error — oppure mediante approcci probabilistici fondati sulla teoria bayesiana.

Nel primo caso l’ingegnere modifica iterativamente i parametri fino a ottenere una buona corrispondenza con i dati reali. Nel secondo si utilizzano distribuzioni probabilistiche e funzioni di verosimiglianza per aggiornare la stima dei parametri incerti.

La domanda alla base della ricerca è però molto semplice: può un algoritmo imparare autonomamente questo processo?

Come funziona il deep reinforcement learning applicato alle strutture

La metodologia proposta utilizza un agente di deep reinforcement learning che interagisce con il modello numerico della struttura.

Il funzionamento ricorda quello dei sistemi IA utilizzati nei videogiochi o nella robotica: l’agente compie azioni, osserva i risultati e riceve una ricompensa in funzione della qualità della soluzione ottenuta.

Nel caso del model updating, le “azioni” consistono nella modifica dei parametri incerti del modello FEM. Dopo ogni modifica il sistema esegue un’analisi dinamica e confronta le frequenze ottenute con quelle sperimentali. Se il modello si avvicina al comportamento reale, l’agente riceve un reward maggiore; se invece se ne allontana, il reward diminuisce.

In pratica l’algoritmo impara progressivamente quali combinazioni parametriche portano alla migliore rappresentazione della struttura reale.

Dal punto di vista concettuale il metodo rappresenta una sorta di evoluzione automatizzata del classico trial-and-error ingegneristico, ma con capacità esplorative e velocità di apprendimento molto superiori.

Il vero salto: i modelli a ordine ridotto

L’aspetto più innovativo del lavoro riguarda però l’integrazione del deep reinforcement learning con i Reduced Order Models (ROM).

Uno dei principali limiti dell’IA applicata ai modelli strutturali è infatti il costo computazionale: ogni iterazione richiede l’esecuzione di analisi numeriche spesso molto onerose, soprattutto per infrastrutture complesse come i ponti.

La soluzione proposta consiste nel sostituire il modello completo con un modello a ordine ridotto capace di riprodurre le caratteristiche dinamiche essenziali della struttura utilizzando un numero molto inferiore di gradi di libertà.

Attraverso tecniche di riduzione basate su decomposizione ai valori singolari (SVD) e proiezione di Galerkin, il sistema costruisce una rappresentazione compatta ma fedele del comportamento dinamico strutturale.

I risultati sono notevoli: il numero di gradi di libertà viene ridotto da 270 a 10, mentre il tempo di training dell’agente passa da circa nove ore a soli 25 minuti.

Non si tratta soltanto di un miglioramento computazionale. Questo passaggio apre infatti la prospettiva di sistemi di model updating quasi in tempo reale, potenzialmente integrabili nei futuri sistemi di monitoraggio continuo delle infrastrutture.

Il caso studio sul ponte monitorato

La metodologia è stata applicata a un ponte a tre campate con pile a telaio e impalcati semplicemente appoggiati ma collegati da una soletta superiore in calcestruzzo.

Questa configurazione introduce incertezze particolarmente interessanti sul comportamento dei vincoli tra le campate, rendendo il caso studio ideale per testare il metodo.

I parametri incerti considerati comprendono i moduli elastici delle diverse campate e le condizioni di vincolo dell’impalcato. Utilizzando dati ottenuti tramite Operational Modal Analysis (OMA), l’agente IA è riuscito a identificare parametri molto vicini ai valori reali, con errori percentuali estremamente contenuti.

Il risultato più interessante non è soltanto l’accuratezza, ma la capacità del sistema di apprendere progressivamente il comportamento strutturale e adattarsi alle variazioni dei dati sperimentali.

Verso infrastrutture “adaptive” e monitoraggio continuo

Il lavoro presentato al III Convegno FABRE mostra chiaramente come l’intelligenza artificiale stia iniziando a trasformare anche il settore dell’ingegneria strutturale avanzata.

L’integrazione tra monitoraggio, modelli ridotti e algoritmi di apprendimento potrebbe infatti consentire, nei prossimi anni, la realizzazione di infrastrutture capaci di aggiornare continuamente la propria “identità digitale” sulla base dei dati reali acquisiti in esercizio.

In questo scenario il model updating non sarebbe più una procedura occasionale eseguita offline, ma un processo continuo di apprendimento della struttura.

È probabilmente questa la prospettiva più interessante aperta dalla ricerca: non semplicemente automatizzare il lavoro dell’ingegnere, ma costruire sistemi capaci di interpretare in tempo quasi reale l’evoluzione dinamica delle infrastrutture esistenti.

DI SEGUITO L'INTERVENTO INTEGRALE DI SERGIO RUGGERI.

Il testo è stato elaborato mediante strumenti di IA (ChatGpT).

IN SINTESI
-Il lavoro propone un approccio innovativo di model updating che utilizza tecniche di deep reinforcement learning per aggiornare automaticamente i parametri incerti dei modelli strutturali.
-L’agente di intelligenza artificiale modifica progressivamente i parametri del modello numerico per ridurre la differenza tra frequenze sperimentali e frequenze calcolate.
-Per migliorare l’efficienza computazionale viene introdotto un modello a ordine ridotto (ROM), capace di riprodurre le caratteristiche dinamiche essenziali della struttura con un numero molto inferiore di gradi di libertà.
-L’applicazione a un ponte monitorato sperimentalmente mostra che il metodo riesce a identificare con buona accuratezza i parametri strutturali incerti, inclusi moduli elastici e condizioni di vincolo.
-L’utilizzo del ROM riduce il tempo di training dell’algoritmo da circa nove ore a 25 minuti, aprendo prospettive per sistemi di aggiornamento e monitoraggio strutturale quasi real time.