Quando un ponte insegna a un altro ponte: la nuova frontiera del Structural Health Monitoring

La gestione del patrimonio infrastrutturale richiede oggi strumenti sempre più evoluti per garantire sicurezza, sostenibilità economica e continuità di esercizio. Se il monitoraggio strutturale continuo è ormai una realtà consolidata per molte opere strategiche, la nuova sfida consiste nel trasformare i dati raccolti dai sensori in informazioni utili per individuare, localizzare e quantificare il danno. In questo scenario si inserisce la ricerca presentata da Elisa Tomassini al III Convegno FABRE, che propone un approccio innovativo basato su modelli surrogati, reti neurali e transfer learning per trasferire conoscenza tra ponti diversi e rendere più efficiente il monitoraggio delle infrastrutture esistenti.

Oltre la semplice rilevazione del danno

Negli ultimi anni il monitoraggio strutturale dei ponti è passato dall'essere una tecnologia sperimentale a rappresentare uno strumento sempre più centrale nelle strategie di gestione delle infrastrutture. I numerosi casi di collassi e degradi strutturali registrati a livello internazionale, dal Ponte Morandi in Italia ai più recenti eventi verificatisi negli Stati Uniti, in Cina e in Europa, hanno accelerato la necessità di sviluppare approcci in grado non soltanto di individuare anomalie, ma anche di interpretarle e quantificarle in modo tempestivo.

In questo contesto si inserisce il lavoro di ricerca presentato da Elisa Tomassini dell'Università degli Studi di Perugia al III Convegno FABRE, che affronta una delle sfide più avanzate del monitoraggio infrastrutturale contemporaneo: trasformare i dati acquisiti in continuo dai sensori in una conoscenza ingegneristica utile per localizzare e stimare il danno, riducendo al contempo tempi e costi computazionali.

L'evoluzione delle Linee Guida italiane per la classificazione e gestione del rischio dei ponti ha infatti spostato progressivamente l'attenzione verso sistemi di monitoraggio continuo capaci di supportare le decisioni dei gestori. Tuttavia, se la rilevazione di variazioni dinamiche è ormai una tecnologia prossima alla piena maturità applicativa, la vera frontiera della ricerca riguarda la capacità di trasformare tali informazioni in una diagnosi strutturale affidabile.

Il ruolo dei modelli surrogati nella nuova generazione di digital twin

La risposta a questa esigenza arriva dall'impiego dei cosiddetti modelli surrogati, strumenti che consentono di replicare il comportamento di modelli numerici complessi con tempi di calcolo estremamente ridotti.

L'approccio parte dalla costruzione e calibrazione di un modello agli elementi finiti della struttura reale. Su questo modello vengono individuati i parametri più sensibili al danneggiamento, come ad esempio le variazioni di rigidezza in specifiche regioni del ponte. Attraverso simulazioni Monte Carlo si genera quindi una vasta popolazione di scenari di danno, utilizzata per addestrare un modello predittivo capace di riprodurre la risposta dinamica della struttura.

Il vantaggio di questa strategia è significativo. Una volta addestrato, il modello surrogato può essere aggiornato in tempo reale utilizzando le informazioni provenienti dal sistema di monitoraggio, consentendo di seguire l'evoluzione dei parametri strutturali senza dover eseguire continuamente onerose analisi FEM.

Si passa così da una logica di semplice "allarme" a una vera e propria piattaforma di diagnosi strutturale continua, in grado di supportare processi di Structural Health Monitoring avanzato. L'obiettivo non è più soltanto sapere che qualcosa è cambiato, ma comprendere dove il cambiamento si è verificato e quale sia la sua effettiva entità.

Quando un ponte insegna a monitorarne un altro

L'aspetto più innovativo della ricerca risiede però nell'applicazione dei principi del transfer learning al monitoraggio infrastrutturale.

Nell'ambito dell'intelligenza artificiale, il transfer learning permette di trasferire conoscenze acquisite durante l'addestramento su un problema verso un secondo problema simile, riducendo drasticamente la quantità di dati necessari. Applicare questo concetto alle infrastrutture significa poter sfruttare l'esperienza accumulata su un ponte ampiamente monitorato per migliorare la capacità di analisi su un'altra opera caratterizzata da una disponibilità informativa più limitata.

La metodologia sviluppata prevede la costruzione di una rete neurale addestrata inizialmente su una struttura "sorgente", per la quale è disponibile un ampio database di simulazioni. Successivamente il modello viene adattato a una struttura "target" attraverso un processo di fine tuning che mantiene inalterata la conoscenza generale acquisita e aggiorna soltanto i livelli più specializzati della rete.

Dal punto di vista concettuale si tratta di un passaggio estremamente rilevante per il settore delle infrastrutture. La realizzazione di modelli digitali avanzati richiede infatti grandi quantità di dati e significativi investimenti economici. La possibilità di trasferire conoscenza tra opere simili apre la strada a strategie di monitoraggio molto più scalabili, particolarmente interessanti per reti infrastrutturali estese come quelle gestite da concessionari autostradali, enti territoriali o gestori ferroviari.

Due ponti reali, due Paesi, un'unica strategia di monitoraggio

Per validare la metodologia, il gruppo di ricerca ha applicato il framework a due ponti reali monitorati in contesti differenti.

La struttura sorgente è il viadotto "Otto dei Volumi", monitorato da ANAS nel territorio umbro, mentre la struttura target è il ponte Méndez Núñez di Granada, in Spagna. Le due opere presentano configurazioni strutturali e sistemi di monitoraggio differenti, con una disponibilità di dati significativamente maggiore sul ponte italiano.

Dopo la calibrazione dei rispettivi modelli numerici e l'individuazione delle regioni sensibili al danno, la rete neurale è stata addestrata sul ponte sorgente e successivamente adattata al ponte target utilizzando una quantità di dati notevolmente ridotta.

I risultati ottenuti mostrano come il trasferimento della conoscenza consenta di mantenere elevate prestazioni predittive anche in presenza di dataset limitati. L'algoritmo è risultato capace di riconoscere e correlare le caratteristiche dinamiche comuni alle due opere, dimostrando la possibilità concreta di trasferire competenze diagnostiche da una struttura all'altra.

Verso reti infrastrutturali intelligenti

L'ultima fase della ricerca ha riguardato la verifica delle capacità diagnostiche del modello attraverso scenari di danno simulati e procedure di inferenza bayesiana.

I risultati evidenziano la capacità del sistema di identificare correttamente la posizione del danno, stimarne l'entità e distinguere gli effetti dovuti a fenomeni strutturali da quelli generati da variazioni ambientali, come le escursioni termiche. Un aspetto particolarmente interessante riguarda i tempi di elaborazione, che si attestano nell'ordine di pochi minuti, rendendo l'approccio compatibile con applicazioni operative in quasi tempo reale.

Le prospettive che emergono da questo lavoro vanno ben oltre il singolo caso studio. Se oggi il monitoraggio continuo è principalmente orientato alla rilevazione di anomalie, in futuro potrebbe evolvere verso sistemi distribuiti di diagnosi intelligente capaci di condividere conoscenza tra infrastrutture diverse.

In uno scenario caratterizzato da decine di migliaia di ponti da gestire e risorse economiche necessariamente limitate, la combinazione tra modelli surrogati, intelligenza artificiale e transfer learning potrebbe rappresentare uno degli strumenti più promettenti per costruire una nuova generazione di infrastrutture digitali, in grado non solo di comunicare il proprio stato di salute, ma anche di apprendere dall'esperienza maturata sull'intera rete.

DI SEGUITO L'INTERVENTO INTEGRALE DI ELISA TOMASSINI.

Il testo è stato elaborato tramite la videoregistrazione dell'intervento, con l'ausilio di strumenti IA (ChatGpT)

IN SINTESI
-Il monitoraggio strutturale dei ponti sta evolvendo dalla semplice rilevazione delle anomalie verso sistemi in grado di localizzare e quantificare il danno in tempo quasi reale.
-I modelli surrogati, costruiti a partire da modelli agli elementi finiti e addestrati tramite simulazioni Monte Carlo, consentono di ridurre drasticamente i tempi di calcolo necessari per l'analisi strutturale.
-La ricerca introduce l'applicazione del transfer learning al monitoraggio dei ponti, permettendo di trasferire conoscenza da un'infrastruttura ampiamente monitorata a un'altra con una disponibilità di dati più limitata.
-La metodologia è stata validata su due ponti reali, uno in Italia e uno in Spagna, dimostrando che reti neurali opportunamente addestrate possono mantenere elevate capacità predittive anche con dataset ridotti.
-I risultati mostrano come sia possibile identificare e quantificare il danno distinguendolo dagli effetti ambientali, aprendo la strada a sistemi intelligenti di gestione e monitoraggio su scala di rete infrastrutturale.