Life-cycle assessment of deteriorating RC structures using artificial neural networks

The economic growth of a country relies on efficient transportation networks, which must guarantee adequate levels of functionality and safety over time. Bridges are frequently the most vulnerable elements of these systems and are at risk from aging, fatigue, and several deterioration processes due to chemical attacks and other physical damage mechanisms. For Reinforced Concrete (RC) structures, damaging factors include the effect of diffusive attacks from aggressive agents, such as chlorides, which may involve corrosion of steel reinforcement and deterioration of concrete. The detrimental effects of these damaging phenomena associated to the continuous increasing of traffic demand can lead over time to unsatisfactory bridge structural performance under service loadings. In recent years, many public authorities, private companies and professional associations worldwide are dealing at local, national and international level with the condition rating of huge stocks of existing bridges. In most developed countries many existing RC bridges are approaching 50 years of lifetime and are prone to be rated as structurally deficient. The preservation of the structural and functional adequacy of these bridges is a priority for administrations and decision-makers. Despite this critical situation, limited resources are usually available for inspection, maintenance and rehabilitation activities which must be rationally planned, optimizing the allocation of economic investments over the entire bridge stock. To inform the decision making process for the allocation of resources and assist designers and managers in the definition of the operational policies and maintenance programs, automatic management systems, such as Bridge Management Systems (BMSs), have been developed. These systems allow to elaborate monitoring and inspection data to assess the current state and predict the future condition of structures and infrastructure systems under uncertainty through probabilistic methods. It is worth noting that BMSs often handle data severely affected by aleatory and epistemic uncertainty and need to incorporate engineering judgment and expert opinions. Soft computing techniques, including Artificial Neural Networks (ANNs), are particularly appropriate to this purpose since they can efficiently handle incomplete and subjective data. The thesis proposes a general ANN-based framework for life-cycle assessment of deteriorating RC structures exposed to environmental hazard, with emphasis on RC bridges under corrosion. Two and three layer ANNs are developed and trained to capture the overall system performance based on limited amount of information related to local damage of some components, typically obtained from the results of visual inspections. The results of a probabilistic life-cycle analysis are used as training, validation, and test samples. The training datasets are formed to incorporate the results from several inspections carried out over given observation time intervals and to accommodate predictions over the remaining structural lifetime. The proposed approach is applied to the life-cycle assessment of RC structures, including frame buildings and bridges under chloride-induced corrosion, as well as to prioritization of maintenance and repair interventions of bridge stocks. The results show the effectiveness of the proposed approach to support public authorities in the decision making process for optimal management of structure and infrastructure systems.

Lo sviluppo economico di un paese dipende dall’efficienza delle reti di trasporto, che devono garantire adeguati livelli di funzionalità e sicurezza nel tempo. Spesso i ponti sono gli elementi più vulnerabili di questi sistemi in quanto soggetti a diversi processi di deterioramento, quali invecchiamento, fatica e attacchi chimici. Nelle strutture in Calcestruzzo Armato (CA), l’attacco diffusivo di agenti aggressivi, come i cloruri, innesca la corrosione dell’armatura e il deterioramento del calcestruzzo. Gli effetti di tali fenomeni associati al continuo incremento della domanda di traffico portano nel tempo ad una prestazione strutturale non soddisfacente. Negli ultimi anni, molte enti gestori, aziende private e associazioni professionali in tutto il mondo hanno classificato a livello locale, nazionale ed internazionale grandi patrimoni di ponti esistenti. Nella maggior parte dei paesi sviluppati molti ponti esistenti in CA si avvicinano a 50 anni di vita e presentano carenze strutturali. La conservazione dell'adeguatezza strutturale e funzionale di questi ponti è una priorità per le amministrazioni e i responsabili delle decisioni. Nonostante questa situazione critica, risorse limitate sono solitamente disponibili per ispezioni, attività di manutenzione e ripristino che devono essere pianificate in modo razionale, al fine di ottimizzare l'allocazione degli investimenti economici sull'intero patrimonio. Sistemi di gestione automatica come i Bridge Management System (BMS) sono stati sviluppati al fine di supportare progettisti e manager nella definizione di politiche operative e piani di manutenzione del patrimonio esistente. Tali sistemi consentono di elaborare dati provenienti da monitoraggi strumentali e ispezioni visive delle infrastrutture al fine di valutarne lo stato attuale e prevederne le condizioni future attraverso l’implementazione di metodi probabilistici che tengano in considerazione le incertezze. Infatti, i BMS spesso gestiscono dati caratterizzati da incertezza aleatoria ed epistemica ed inoltre devono elaborare il giudizio ingegneristico e le opinioni degli esperti. Le tecniche di soft computing, tra cui le Reti Neurali Artificiali (ANNs) sono particolarmente adatte a questo scopo poiché in grado di gestire in modo efficiente dati incompleti e soggettivi. La tesi propone un framework generale basato sulle ANN per la valutazione del ciclo di vita delle strutture in CA esposte a rischio ambientale, con particolare attenzione ai ponti CA soggetti a corrosione. ANN a due e tre strati sono sviluppate e addestrate per valutare le prestazioni del sistema sulla base di una quantità limitata di informazioni relative al danno locale di alcuni componenti, tipicamente ottenuto dai risultati delle ispezioni visive. I risultati di analisi probabilistiche a ciclo di vita sono utilizzati come campione di addestramento, validazione e test, il quale include i risultati di diverse ispezioni effettuate su determinati intervalli temporali di osservazione sulla base dei quali l’ANN fornisce una previsione circa la vita strutturale residua. L'approccio proposto è applicato alla valutazione a ciclo di vita di strutture in CA, tra cui un telaio e ponti soggetti a corrosione indotta da cloruri, nonché alla definizione della priorità degli interventi di manutenzione e ripristino di gruppi di ponti. I risultati evidenziano l'efficacia dell'approccio proposto a supporto degli enti gestori nel processo decisionale per una gestione ottimale di strutture e sistemi infrastrutturali.