Structural health monitoring of bridges using machine learning. The influence of temperature on health prediction

A method that uses machine learning to detect and localize damage in railway bridges under various environmental conditions is proposed and validated in this work. The developed algorithm uses vertical and lateral deck accelerations as damage-sensitive features. Indeed, an Artificial Neural Network (ANN) is trained to predict deck accelerations in undamaged condition given: previous vibration data, air temperature and characteristics of the train crossing the bridge (speed, load position and load magnitude). After an appropriate training period, the comparison between ANN-predicted and measured accelerations allows to compute prediction errors. A Gaussian Process is then used to stochastically characterize prediction errors in undamaged conditions using train speed as independent variable. Recorded vibration data leading to abnormal prediction errors are flagged as damage. The method is validated both on a simple numerical example and on data recorded on a real structure. In the latter case, an appropriate algorithm was developed with the aim of extracting vehicles characteristics from the acceleration time histories. Together with this part of the algorithm for the pre-processing of recorded accelerations, the novelty of the developed method is the addition of air temperature to the input. It allows separating between structure responses that can be flagged as damage from those only affected by environmental conditions.

In questo lavoro viene presentato e validato un metodo che si basa sull’apprendimento automatico ed è in grado di rilevare e localizzare il danneggiamento di ponti ferroviari. L’algoritmo sviluppato utilizza come quantità sensibili al danneggiamento le accelerazioni verticali e laterali dell’impalcato ferroviario. Infatti, una Rete Neurale Artificiale è allenata per predire le accelerazioni dell’impalcato ferroviario in ogni istante durante il transito ferroviario, in condizioni non danneggiate, una volta assegnati: i dati di vibrazione agli istanti precedenti, la temperatura dell’aria e le caratteristiche del treno in attraversamento (velocità, posizione ed intensità dei carichi). Dal confronto tra le accelerazioni predette e quelle registrate, è possibile calcolare un errore di predizione. Errori di predizione calcolati in condizioni non danneggiate sono poi caratterizzati stocasticamente attraverso un Processo Gaussiano che utilizza la velocità del treno come variabile indipendente. Il danneggiamento viene rilevato qualora dati di vibrazione registrati sulla struttura portino ad errori di predizione anormali. Il metodo è stato validato sia su un semplice esempio numerico sia su dati raccolti su una struttura reale. Nell’ultimo caso, una parte dell’algoritmo è stata sviluppata con l’obiettivo di estrarre le caratteristiche del veicolo in attraversamento dalle sole storie temporali di accelerazione. Oltre a quest’ultima parte dell’algoritmo per il pre-trattamento delle accelerazioni registrate, la peculiarità del metodo sviluppato in questo lavoro rispetto a quello proposto in origine è l’aggiunta della temperatura ai dati in ingresso. Ciò permette la separazione tra la risposta della struttura attribuibile al danneggiamento e quella influenzati solamente dalle condizioni climatiche.