Analysis of supervised machine learning techniques for structural health monitoring of civil structures

Our modern society depends on large and complex engineering structures for a myriad of needs ranging from infrastructural to cultural. Therefore their maintenance is of utmost importance not only from a safety but also economic point of view. Structural Health Monitoring (SHM) has been introduced as a useful tool to determine the current health status and the performance of a given structure, starting from the measurement of a set of sensors. In this thesis, a methodology based on supervised machine learning is proposed for the SHM of the grandstands of the G. Meazza stadium. Acceleration data from four grandstands located on the same ring and having the same geometry are considered to train different classifiers based on different scenarios where one grandstand was assumed to be the safe structure, while the others represent a proxy of damage. Among the tested algorithms, k-Nearest Neighbor (kNN) proved to be the most effective one, with a classification accuracy ranging from 88 to 93 per cent and a low computational time, which makes it suitable also for the deployment on embedded systems. Finally, it has also been demonstrated that the aforementioned classification method, if properly trained, can satisfactorily distinguish the presence of people on a grandstand with respect to the empty conditions.

Nella società odierna l’utilizzo di grandi strutture ingegneristiche è sempre più richiesto in una vasta gamma di applicazioni, che vanno dai moderni edifici o infrastrutture alle opere storiche e culturali. Pertanto, la loro manutenzione è di cruciale importanza sia dal punto di vista della sicurezza che da quello economico. Il monitoraggio strutturale, meglio conosciuto come Structural Health Monitoring (SHM), è stato introdotto come strumento utile per determinare lo stato di salute e le prestazioni di una determinata struttura, partendo dalle misurazioni fornite da una rete di sensori. In questa tesi viene proposta una metodologia di tipo “supervised”, basata su tecniche di machine learning, per il monitoraggio delle tribune dello stadio G. Meazza a Milano. Sono stati considerati i dati di accelerazione di quattro tribune sottoposte alla sola eccitazione ambientale, situate sullo stesso anello e aventi la stessa geometria, ai fini di addestrare diversi classificatori nell’ipotesi che una tribuna rappresentasse la struttura sana e le altre fossero una versione leggermente modificata, simulando dunque un lieve danneggiamento. Tra gli algoritmi testati, il k-Nearest Neighbor (kNN) è risultato essere il più efficace, con un'accuratezza di classificazione compresa tra l'88% e il 93% oltre che un tempo di calcolo ridotto, dimostrandosi dunque adatto anche per l'implementazione su sistemi embedded. Nella parte finale del lavoro, è stato dimostrato che tale metodo di classificazione, se opportunamente addestrato, è in grado di distinguere in maniera accurata la variazione di comportamento della tribuna dovuta all’incremento di massa causato dalla presenza di persone rispetto alle condizioni di struttura vuota.