Structural dynamic analysis by fiber optic coherent sensor and machine learning

Structural Health Monitoring (SHM) is a research topic of great interest and there is currently a high demand to start exploiting it on real cases to ensure the safety and reliability of many critical infrastructures. Yet, one of the main challenge to realize a permanent and real-time monitoring of large infrastructure is represented by the need of a plurality of transducers (accelerometers, strain gauge, ...) arranged in complex and costly architectures. In this frame, fiber optic sensors have recently proved to be an interesting alternative for SHM applications and a novel fiber optic sensing solution is proposed in this work for dynamic structural analysis. The proposed fiber optic sensor relies on a Michelson interferometric architecture associated to an innovative coherent detection scheme, which recovers the phase variations of an optical signal propagating in the sensing fiber subjected to dynamic deformations. The coherent sensor is exploited in combination with machine learning, namely neural network, in order to automatically and adaptatively find the patterns inside acquired sensor data. These patterns are then used to classify the data into different categories related to a healthy and a damaged state of a structure. The proposed approach has been experimentally proved by analyzing the frequency response of a metallic structure undergoing controlled vibrations. Different vibrational conditions were considered by emulating the presence of a structural failure or of heavy loads on the metallic structure. The applied neural network classification showed very good performance, proving this combined approach of fiber optic coherent sensors and machine learning to be a promising diagnostic technique for SHM applications.

Il monitoraggio strutturale (SHM) è ormai da tempo un argomento di ricerca di grande interesse e c’è attualmente una forte richiesta per iniziare ad applicarlo su casi reali al fine di garantire la sicurezza e l'affidabilità di molte infrastrutture critiche. Tuttavia, uno dei principali limiti per realizzare un monitoraggio permanente e real-time di grandi infrastrutture è rappresentato dalla necessità di una pluralità di trasduttori (accelerometri, estensimetri, ...) organizzati in architetture spesso complesse e costose. In questo contesto, i sensori a fibra ottica hanno recentemente dimostrato di essere un'interessante alternativa per molte applicazioni di SHM e in questo lavoro di tesi viene proposta una nuova soluzione di diagnostica a fibra ottica per l’analisi dinamica delle strutture. Il sensore in fibra ottica proposto si basa su un'architettura interferometrica di Michelson associata a un innovativo schema di rivelazione coerente che misura le variazioni di fase di un segnale ottico propagante nella fibra sensore soggetta a deformazioni dinamiche. In questo lavoro di tesi il sensore coerente è utilizzato in combinazione con tecniche di machine learning ed in particolare di neural network per individuare in maniera automatica e adattativa dei “pattern” all’interno dei dati forniti dal sensore coerente. Questi “pattern” sono poi utilizzati per classificare i dati in diverse categorie correlate, ad esempio, ad uno stato sano o danneggiato di una struttura. L'approccio proposto è stato sperimentalmente dimostrato analizzando la risposta in frequenza di una struttura metallica soggetta a vibrazioni controllate. Sono state considerate condizioni vibrazionali differenti, emulando la presenza di un cedimento strutturale o di carichi pesanti sulla struttura metallica. La classificazione realizzata dagli algoritmi di neural network ha mostrato ottime prestazioni, dimostrando come questo approccio combinato tra sensori a fibra ottica coerenti e machine learning possa risultare una promettente tecnica di diagnostica per applicazioni di SHM.