Characterization of cold formed profiles and structural details of pallet racking systems: Application of artificial intelligence

In recent years, an increasing number of pallet racking producers referred to the material testing laboratory (Laboratorio Prove Materiali - LPM) of Politecnico di Milano (POLIMI) for the execution of the experimental tests provided in Annex A of EN 15512 [17] necessary to characterize their products and whose test set-ups I contributed to design. As a result of this experimental activity, a significant number of data are available. In order to extrapolate all possible information from the tests carried out, the main idea of this thesis work is to collect the results obtained by the laboratory for the same test typology from the different producers and analyse them through the application of a learning machine algorithm (a specific field of artificial intelligence). My initial idea was to create for each typology of test provided by EN 15512 [17], a “predictor tool” that processing the collected data can be used to predict the component behaviour. However, the data processing based on the learning machine algorithm was possible to be applied only on the data related to the bending test on beam-to-upright connections. In fact, a “quality analysis” was performed considering the 2 main aspects that affect the quality of a database: the dimension (number of data contained) and the consistency of the archived data, with careful consideration to the influence of the test set-ups/test procedure on the test results. From this analysis it turned out that for many types of tests the available consistent data were too few to represent a statistically significant sample. Referring to other data, coming from different labs turned out to be unfeasible because of differences detected in the testing procedures adopted by different labs, although falling within the freedom ranges allowed by the code. Artificial Neural Network algorithm (ANN), one of the most common machine learning algorithms, was used to process the data related to the bending test on beam-to-upright connector. Preliminary to the data process, the main input and output parameters were identified by means of experimental observations, numerical studies, and considering previous researches. The output parameters are the main results obtained from tests, while the input parameters are the geometrical or material properties of the structural components that affect the output ones. Then, the optimal architecture of the ANN algorithm was identified by means of an interactive procedure. Finally, the accuracy of the calibrated tool was analysed, and its possible use was discussed. Indeed, improvements of the testing set-ups proposed by the Standard [17], in order to increase the quality of the test results, are presented. The presented work wants to represent a different possible approach for exploitation of available data by laboratories performing the tests. By collecting the data obtained from the test (honouring the non-disclosure agreement between the laboratory and the producers), repeated for many different producers, useful information can be provided to the industry and to the researchers without any additional costs.

Negli ultimi anni, il Laboratorio Prove Materiali del Politecnico di Milano è divenuto un riferimento per un numero sempre crescente di produttori di scaffalature per l’esecuzione delle prove sperimentali atte alla caratterizzazione dei componenti strutturali delle scaffalature industriali porta-pallet indicate nell’Allegato A della normativa EN15512. Conseguentemente a tale attività sperimentale, si è resa disponibile una grande quantità di dati, che continuerà a crescere fintanto che il settore industriale interessato continuerà a espandersi, sviluppando e immettendo sul mercato nuovi prodotti. Il mio lavoro di tesi si basa sull’idea di raccogliere e rielaborare i dati sperimentali ottenuti in laboratorio per i differenti produttori industriali, attraverso algoritmi di apprendimento automatico (machine learning). Più in dettaglio, la volontà iniziale era di creare per ogni tipologia di prova sperimentale prevista dalla normativa EN15512 uno specifico “strumento predittivo” che, adeguatamente istruito mediante i dati sperimentali raccolti, possa essere utilizzato per la predizione dei risultati delle prove sperimentali per nuovi componenti. Tuttavia, dall’analisi della qualità dei database creati, analisi basata sulla dimensione del database (numero di dati) e sulla consistenza dei dati raccolti, è emerso che solamente i dati relativi alla prova eseguita per caratterizzare il comportamento flessionale del nodo trave-colonna, potevano essere rielaborati mediante algoritmi di apprendimento automatico. Infatti, a causa di problematiche legate alle procedure e ai set-up di prova utilizzati, per molte tipologie di prova analizzate, il numero di dati consistenti non erano sufficienti per rappresentare un campione statistico rilevante. Conseguentemente, solamente i dati relativi alla prova di flessione sui nodi trave-colonna sono stati rielaborati mediante una rete neurale artificiale (ANN). Sono stati identificati i principali parametri di input e di output basandosi su osservazioni sperimentali, anali numeriche e pregressi lavori di ricerca presenti in letteratura. Come parametri di output si intendono i principali parametri ricavabili dai risultati della prova sperimentale considerata, mentre quelli di input rappresentano le dimensioni geometriche e le proprietà dei materiali degli elementi strutturali che costituiscono la connessione trave-colonna delle scaffalature industriali porta pallet. Dopo aver identificato la migliore architettura della rete neurale per i dati analizzati, l’algoritmo è strato istruito e in seguito ne è stata analizzata l’accuratezza. Per quanto riguarda le prove per cui non è stato possibile calibrare un algoritmo ANN, sono state proposte significative modifiche alle procedure e ai set-up di prova usualmente utilizzati al fine di incrementare la qualità dei dati raccolti. Tale lavoro, oltre all’evidente vantaggio per i diretti utilizzatori dei risultati, apre a sviluppi futuri nella ricerca, in quanto il lavoro da me iniziato potrà essere esteso anche a queste tipologie di prove una volta raccolti un buon numero di dati consistenti. Il presente lavoro vuole porre l’attenzione sulla possibilità di utilizzare in modo differente l’elevata mole di dati raccolti dai laboratori sperimentali. Se il singolo dato ha un valore per il solo produttore o il progettista che ha commissionato la prova, analizzando l’insieme di dati è possibile estrarre informazioni di interesse generale e scientifico. Tutto ciò può essere fatto nel pieno rispetto della privacy in quanto, ogni singolo dato sperimentale viene archiviato come parte di un campione statistico perdendo qualsiasi legame con il committente della prova.