Rilevare e classificare i danni nei ponti tramite reti neurali MLP addestrate su dati SHM

Il monitoraggio dinamico delle infrastrutture rappresenta oggi uno degli ambiti più avanzati dello Structural Health Monitoring (SHM), soprattutto per la gestione di ponti esistenti e opere storiche soggette a degrado progressivo. In questo contesto, l’utilizzo di tecniche di intelligenza artificiale consente di trasformare grandi quantità di dati vibrazionali in strumenti diagnostici ad alta affidabilità. La ricerca sviluppata dall’Università di Cagliari propone un approccio basato su reti neurali multilayer perceptron (MLP) addestrate mediante dati sperimentali provenienti da prove dinamiche controllate e vibrazioni ambientali. L’obiettivo è identificare non solo la presenza del danno, ma anche la sua tipologia e severità, mantenendo contenuto l’onere computazionale rispetto ai modelli deep learning più complessi. Il metodo è stato validato sul benchmark internazionale del ponte Z24, uno dei casi studio più completi disponibili per la diagnosi strutturale basata su dati SHM.

Dal monitoraggio dinamico alla diagnosi automatizzata del danno

L’impiego dell’intelligenza artificiale nel monitoraggio strutturale sta rapidamente evolvendo da strumento sperimentale a supporto operativo per la gestione delle infrastrutture esistenti. In questo contesto si inserisce la ricerca presentata da Francesca Pibi, dottoranda del programma nazionale dell’Università di Catania, sviluppata con il gruppo di ricerca dell’Università di Cagliari, focalizzata sull’utilizzo di reti neurali multilayer perceptron (MLP) per l’identificazione e la classificazione del danno nei ponti attraverso dati di Structural Health Monitoring (SHM).

L’aspetto di maggiore interesse tecnico della ricerca risiede nell’approccio orientato alla diagnostica strutturale avanzata: non soltanto rilevare l’esistenza di un’anomalia, ma distinguere tipologia e livello di danno, riducendo al contempo l’onere computazionale normalmente associato alle architetture deep learning più diffuse in letteratura.

Il lavoro prende le mosse dalla gerarchia di identificazione del danno proposta da Ritter, sviluppando un sistema capace di integrare dati sperimentali e dati numerici all’interno di un framework supervisionato pensato per applicazioni di monitoraggio continuo. La scelta delle reti MLP, rispetto alle più complesse reti neurali profonde, nasce proprio dall’esigenza di ottenere un modello più controllabile e computazionalmente sostenibile, mantenendo elevate capacità di classificazione.

Il benchmark Z24 e la costruzione del dataset diagnostico

Per la validazione del metodo è stato utilizzato il celebre ponte svizzero Z24, uno dei benchmark internazionali più completi per il monitoraggio dinamico delle infrastrutture. Il caso studio rappresenta un riferimento nella comunità scientifica per la presenza di scenari di danno reali, indotti sperimentalmente prima della demolizione del ponte, e per la disponibilità di un database estremamente esteso di segnali dinamici.

L’attività sperimentale sul ponte Z24 comprendeva due differenti tipologie di prova dinamica. La prima era costituita dai Force Vibration Test (FVT), basati sull’utilizzo di shaker in grado di applicare forzanti armoniche controllate. La seconda riguardava gli Ambient Vibration Test (AVT), fondati esclusivamente sulla registrazione delle vibrazioni ambientali. Entrambe le campagne sperimentali sono state eseguite tramite nove configurazioni differenti di sensori distribuiti lungo impalcato e pile.

La ricerca ha utilizzato entrambe le tipologie di dati per addestrare due differenti famiglie di reti neurali, consentendo un confronto diretto tra dati controllati e dati ambientali. Il database finale comprendeva 17 scenari distinti di danno, comprendenti differenti livelli di cedimento delle pile, rotture dei cavi di precompressione e altre alterazioni strutturali.

Particolarmente interessante è la pipeline di preprocessing sviluppata dal gruppo di ricerca. I segnali temporali acquisiti sono stati suddivisi mediante finestra mobile da 4000 campioni, generando 123 finestre complessive per ciascun setup sperimentale. I dati sono stati quindi trasformati nel dominio delle frequenze tramite FFT bidimensionale, mantenendo esclusivamente la componente in ampiezza.

Successivamente è stato introdotto un indice di qualità per la selezione delle frequenze più significative. Il criterio valutava la capacità discriminante di ciascuna frequenza confrontando la variabilità intra-classe rispetto alla variabilità dell’intero dataset. Questa fase ha consentito di ridurre drasticamente il numero di parametri in ingresso, contenendo il costo computazionale e migliorando la robustezza del training.

Nel caso dei dati AVT, caratterizzati da una maggiore presenza di rumore, si è reso necessario selezionare un numero superiore di frequenze rispetto ai dati FVT. Per evitare ridondanze informative è stato inoltre applicato un criterio di correlazione tra feature.

Nove reti indipendenti e majority voting: la strategia per aumentare l’affidabilità diagnostica

Una delle innovazioni metodologiche più rilevanti riguarda la struttura dell’architettura diagnostica. Poiché le prove sperimentali prevedevano nove differenti configurazioni sensoriali, il gruppo di ricerca ha scelto di addestrare nove reti MLP indipendenti, ciascuna dedicata a uno specifico setup.

Ogni rete effettuava autonomamente la classificazione delle 17 classi di danno, generando quindi nove diagnosi separate per i dati FVT e nove per i dati AVT. I risultati venivano successivamente integrati attraverso una procedura di majority voting, cioè un sistema decisionale basato sulla maggioranza delle classificazioni prodotte dalle reti.

Dal punto di vista architetturale, i dati FVT hanno richiesto una configurazione relativamente semplice, con un solo hidden layer, mentre i dati ambientali hanno mostrato la necessità di introdurre un secondo strato nascosto per compensare la maggiore complessità e rumorosità dei segnali.

La fase operativa del metodo, definita “recall”, rappresenta l’elemento più vicino a un’applicazione reale di monitoraggio continuo. Nuovi segnali temporali non utilizzati durante l’addestramento vengono processati attraverso la medesima pipeline di preprocessing e classificati dalle reti neurali. Anche in questo caso il risultato finale viene determinato tramite majority voting, aumentando l’affidabilità della diagnosi.

Accuratezza elevata anche con vibrazioni ambientali

I risultati ottenuti mostrano prestazioni particolarmente significative. Nel caso dei dati FVT, la classificazione delle classi di danno è risultata praticamente perfetta: le matrici di confusione non presentano valori fuori diagonale, evidenziando il riconoscimento corretto di tutti gli scenari.

I dati AVT, inevitabilmente influenzati dal rumore ambientale, hanno mostrato alcune misclassificazioni, ma con valori comunque nettamente prevalenti lungo la diagonale delle matrici di confusione. Questo conferma la capacità delle reti MLP di distinguere efficacemente le differenti configurazioni di danno anche in presenza di eccitazioni non controllate.

Il risultato assume particolare rilevanza applicativa perché apre la strada a sistemi di monitoraggio permanenti basati prevalentemente su vibrazioni ambientali, molto meno invasive e più sostenibili economicamente rispetto alle prove forzate.

La proposta avanzata dal gruppo di ricerca è infatti quella di utilizzare gli AVT come sistema “sentinella” continuo. In presenza di anomalie diagnosticate dal sistema neurale, il monitoraggio potrebbe attivare procedure di approfondimento, comprendenti ispezioni visive e campagne FVT mirate per ottenere una caratterizzazione più accurata del danno.

Il nodo dei dati reali e la sfida dei ponti storici in muratura

La ricerca affronta anche uno dei principali limiti dei metodi supervisionati applicati allo SHM: la scarsità di database reali di danno. Il caso Z24 rappresenta infatti un’eccezione quasi unica nel panorama internazionale, grazie alla disponibilità di scenari sperimentali controllati e accuratamente documentati.

Per superare questo limite, il gruppo di ricerca sta lavorando allo sviluppo di modelli numerici capaci di generare dati sintetici di danno per l’addestramento delle reti neurali. L’obiettivo è trasferire la metodologia verso contesti molto più complessi e meno documentati, come i ponti storici in muratura.

Si tratta di un passaggio strategico per il futuro del monitoraggio infrastrutturale: integrare simulazione numerica, prove dinamiche e intelligenza artificiale per costruire sistemi predittivi in grado di supportare la gestione del patrimonio esistente con livelli crescenti di automazione e affidabilità diagnostica.

DI SEGUITO L'INTERVENTO INTEGRALE DI FRANCESCA PIBI

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

IN SINTESI
-Utilizzo di reti neurali multilayer perceptron (MLP) per identificare e classificare danni strutturali nei ponti attraverso dati di Structural Health Monitoring (SHM).
-Validazione del metodo sul ponte benchmark Z24, utilizzando sia prove dinamiche con forzanti armoniche (FVT) sia vibrazioni ambientali (AVT).
-Sviluppo di una pipeline di preprocessing basata su FFT bidimensionale, selezione delle frequenze più significative e riduzione dell’onere computazionale.
-Implementazione di nove reti neurali indipendenti integrate tramite algoritmo di majority voting per aumentare l’affidabilità diagnostica.
-Proposta di un sistema di monitoraggio continuo in cui i dati ambientali fungono da “sentinella”, attivando approfondimenti diagnostici e prove forzate in caso di anomalie.