Sviluppo di una strategia di analisi dati per il monitoriaggio strutturale dello stadio Giuseppe Meazza

In recent years, the interest for the automatic evaluation of the state of civil structures is increased. The development of Structural Health Monitoring is allowed by the increasing of the computational capacity of computers that can analyse considerable amount of data in short time. Therefore, a Structural Health Monitoring system has to continuously monitor structures, extracting and summarises relevant information, in order to efficiently allocate the resources for maintenance. Considering the latest developments in this field, great attention has been paid to data-based approaches and to autoregressive models in particular; these econometric models, born in the field of finance, are used to analyse the vibration time series provided by the sensors applied on the monitored structures. Indexes based on these autoregressive models can be used as features by which the structural integrity can be assessed. This work proposes the application of multivariable analysis, the Principal Component Analysis (PCA), to the parameters of autoregressive models estimated on the vibration responses of structures under operational conditions. This approach reduces a complex set of data to a lower dimension, by representing the behaviour of the structure through the few variables: the principal components. This application has allowed to use the principal components of the autoregressive model’s parameters as indicators that can effectively describe different operational levels and some important environmental effects. The application of this strategy on the data collected by the long time monitoring system, installed on the stands of the G. Meazza stadium in Milan, has allowed to represent the state of the structure. Each state, related to a specific time, is described by a point in a new three-dimensional domain, defined by the first three principal components. In this way, the occurrence of some peculiar behaviours, during events such as concerts or football matches, were highlighted: points representing these events occupy a different area compared to points representing the empty stadium. In addition, the trend in time of the first Principal Component showed a correlation with the seasonal trend of temperature. These results suggest that this strategy could represent a new direction for future structural health monitoring applications.

Negli ultimi anni, nel campo del monitoraggio strutturale (SHM), grande attenzione è stata posta sulla capacità di valutare lo stato di una struttura in maniera automatizzata. Lo sviluppo delle tecniche di SHM è stato accompagnato, nel tempo, dall’incremento della capacità computazionale dei calcolatori in grado, attualmente, di analizzare una considerevole mole di dati in tempi ridotti. In questo scenario, un efficiente sistema di monitoraggio strutturale deve essere in grado di estrarre e riassumere le informazioni significative, con l’obiettivo di allocare, nella maniera più efficiente possibile, le risorse a disposizione. Considerando gli ultimi sviluppi in questo settore, una grande attenzione è stata riposta sugli approcci data based ed, in particolare, sui modelli autoregressivi; questi modelli, di natura econometrica, sono usati per analizzare le storie temporali dei segnali di vibrazioni raccolte dai sensori collocati sulle strutture sotto osservazione. In particolare, indici basati sui modelli autoregressivi possono essere utilizzati come feature tramite le quali stimare l’integrità strutturale. In questo lavoro di tesi, si propone l’utilizzo di una tecnica di analisi multivariata, l’analisi delle componenti principali, sui parametri di modelli autoregressivi stimati a partire dalla risposta di una struttura sotto condizioni operazionali. Tale approccio consente di ridurre un complesso set di dati ad una dimensione inferiore, rappresentandolo tramite le variabili che ne definiscono maggiormente il comportamento: le componenti principali. L’applicazione di questa strategia consente di utilizzare le componenti principali di parametri di un modello autoregressivo come indicatori in grado di descrivere, in maniera efficace, i diversi livelli operazionali ed alcune importanti condizioni ambientali. La sperimentazione di questa strategia è stata condotta utilizzando i dati raccolti dal sistema di monitoraggio strutturale di lungo periodo installato sulle tribune dello stadio G. Meazza di Milano. Si è osservato che lo stato della struttura, in ogni istante di tempo, può essere descritto da un punto in un nuovo dominio tridimensionale, definito dalle prime tre componenti principali. In questo modo, è stato osservato che i punti rappresentanti i periodi di tempo in cui, all’interno dello stadio, si sono svolti eventi, come concerti o partite, occupano una differente zona del dominio rispetto a quelli rappresentanti lo stadio vuoto. In aggiunta, è stata individuata la correlazione tra l’andamento nel tempo della prima componente principale nel lungo periodo e l’andamento stagionale della temperatura. Questi risultati suggeriscono che questa strategia può rappresentare una nuova direzione per future applicazioni di monitoraggio strutturale.