Analisi di sensitività di algoritmi per il riconoscimento automatico di ammaloramenti in tunnel ferroviari

To ensure the safety and the serviceability of an underground infrastructure during its entire life cycle it is essential to assess its state of health through repeatable and objective monitoring programs. Today, diagnostic activities are mainly based on manual visual inspections on site which by their nature make the monitoring process expensive, time-consuming and subjective. The attention of engineers and researchers has therefore moved towards the study of more performing inspection methods that allow to convert the traditional approach of civil infrastructures management based on cyclical and corrective maintenance programs into predictive and proactive management policies. The most modern technologies of structural monitoring are based on robotic systems integrated with artificial vision techniques for the automatic detection of the most important degradation phenomena, such as cracks, spalling and water leakages. The company ETS Srl, where I spent my internship, is also moving in this direction through a digital and interdisciplinary approach for the assessment and management of the risk for existing tunnels called MIRET. The goal of the thesis is hence to evaluate the potentiality of the WaterSegNet convolutional neural network developed by the company for the digitization of water-related defects on the lining of precast concrete tunnels. The algorithm will be applied to a dataset relating to a real case study different from those provided to the network during training in order to evaluate its performance stability and suggest possible implementations and future developments.

Al fine di garantire la sicurezza e la funzionalità di un’infrastruttura sotterranea durante il suo intero ciclo di vita è essenziale valutare il suo stato di conservazione attraverso programmi di monitoraggio ripetibili ed oggettivi. Oggigiorno, le attività di diagnostica sono basate principalmente su ispezioni visive manuali sul campo che per loro natura rendono il processo di monitoraggio costoso, lento e soggettivo. L’attenzione degli ingegneri e dei ricercatori si è quindi indirizzata verso lo studio di metodi di ispezione più performanti che permettano di convertire l’approccio tradizionale di gestione delle infrastrutture civili basato su programmi di manutenzione ciclica e correttiva verso politiche di gestione di tipo predittivo e proattivo. Le più moderne tecnologie di monitoraggio strutturale si basano su sistemi robotici integrati con tecniche di visione artificiale per l’individuazione automatica dei più importanti fenomeni di degrado, quali ad esempio le fessurazioni, i distacchi e le percolazioni d’acqua. In questa direzione si sta muovendo anche l’azienda ETS Srl presso la quale ho svolto il tirocinio che ha ideato un approccio digitale ed interdisciplinare per la valutazione e la gestione del rischio delle gallerie esistenti denominato MIRET. L’obiettivo della tesi è quindi quello di valutare le potenzialità della rete neurale convoluzionale WaterSegNet sviluppata dall’azienda per la digitalizzazione dei difetti legati all’acqua presenti sul rivestimento dei tunnel in conci prefabbricati. L’algoritmo verrà applicato ad un dataset relativo ad un caso studio reale diverso rispetto a quelli forniti alla rete neurale durante l’addestramento in modo da valutarne la stabilità delle prestazioni e proporre possibili implementazioni e sviluppi futuri.