Modelli di ordine ridotto e reti neurali artificiali per il monitoraggio strutturale : analisi dell'influenza della temperatura nella localizzazione del danneggiamento

The aging, deterioration and failure of civil infrastructures are nowadays of paramount importance, increasingly motivating the need for advanced structural health monitoring and damage detection tools. Damage localization in structures is a complex task which, thanks to the availability of computational and statistical tools, has been only recently tackled by the engineering community in a systematic way. The response of a structure does not only depend on the propagation of damage, but also on the changing environmental and operational conditions that affect the data acquired by the health system. In particular, thermal effects could potentially produce changes in the measured quantities, masking the subtle changes in the system vibration signal caused by damage. In this work, a combination of time series analysis, neural networks and parametric model order reduction techniques is developed for damage localization, explicitly taking into account the temperature variations. The problem is treated as a classification task and a certain number of aspects, controlling the operative and environmental conditions, are introduced by a suitable parametrization of the problem. First, a dataset of possible structural responses is constructed by using a high fidelity numerical model - such as the finite element method - under varying loading and temperature conditions, by considering a finite number of predefined damage scenarios. Then, a convolutional neural network is trained offline on mechanical and thermal data extracted through sensor system embedded in the model. Because of the huge amount of model evaluations, required during the dataset construction, parametric model order reduction techniques are employed both to relieve the computational burden and to handle the dependency of the system on working, environmental and damage conditions. Exploiting the pattern recognition capability of the trained convolutional network, the online acquired input data are finally mapped to classify the actual damage state of the structure, and thus providing information about both the presence and the localization of the damage. The potentiality and the limits of the proposed approach are deeply investigated by means of four different numerical benchmarks of increasing complexity.

L'invecchiamento, il deterioramento e il collasso delle infrastrutture civili sono temi di estrema attualità, che motivano la crescente necessità di strumenti avanzati per il monitoraggio strutturale e il rilevamento dei danni. La localizzazione del danneggiamento nelle strutture è un compito complesso con cui, grazie alla disponibilità di strumenti computazionali e statistici, la comunità ingegneristica ha iniziato a confrontarsi solamente di recente. La risposta di una struttura non risulta infatti influenzata solo dalla propagazione del danno, ma anche dalle mutevoli condizioni ambientali e operative, che quindi incidono sui dati acquisiti dai sistemi di monitoraggio. In particolare, gli effetti termici possono potenzialmente produrre alterazioni nelle quantità misurate, mascherando i sottili cambiamenti causati dal danneggiamento. In questo elaborato, viene sviluppata una metodologia per la localizzazione del danneggiamento che, unendo l'analisi di serie temporali, le reti neurali e le tecniche di modellazione ridotta, è in grado di tenere esplicitamente conto delle variazioni termiche. La localizzazione del danneggiamento viene trattata matematicamente come un compito di classificazione e un certo numero di aspetti, che riguardano le condizioni operative e ambientali, vengono gestite parametrizzando il problema. Innanzitutto, un dataset di possibili risposte strutturali viene costruito utilizzando un modello numerico ad alta fedeltà, per diverse condizioni di carico e condizioni termiche, considerando un numero finito di scenari di danneggiamento predefiniti. Quindi, una rete neurale convoluzionale è addestrata a partire da dati meccanici (di spostamento o accelerazione) e termici estratti attraverso un sistema di sensori incorporato nel modello. A causa dell'elevato numero di soluzioni richieste, necessarie per la costruzione del dataset, sono state utilizzate tecniche di modellazione ridotta per problemi parametrizzati, sia per alleggerire l'onere computazionale, sia per gestire la dipendenza del sistema dalle condizioni operative e ambientali. Sfruttando le sue capacità di pattern recognition, la rete convoluzionale precedentemente addestrata, permette infine di mappare i nuovi dati in input per classificare l'effettivo stato di salute della struttura, fornendo come risposta la localizzazione del danneggiamento. Le potenzialità e i limiti dell'approccio proposto sono stati investigati utilizzando quattro diversi esempi numerici di complessità crescente.