Enhancing structural health monitoring via deep learning : a generative adversarial network to forecast the transient response of damaged structures

Civil structures and infrastructures play a crucial role in our society. Their structural performance is threatened by different factors, such as ageing and progressive damage accumulation. Rebuilding these systems when damage has grown too large would not be economically feasible. In this context, Structural Health Monitoring (SHM) has become an active field of research, aiming to detect, locate and quantify the damage. Compared to the widespread visual inspections and non-destructive testing, a global monitoring approach based on continuous recording of the structural vibration provides numerous advantages: indeed, it does not require any a priori knowledge on the position of the damage and it provides a quantitative estimation of the structural health that is seldom furnished by traditional methods. Moreover, the massive amount of gathered data can be exploited via a deep learning (DL) algorithm, to extract meaningful features of the structural dynamic response. In this work, a new SHM approach is proposed for multi-story buildings, based on a deep learning technique that belongs to the family of Generative Adversarial Networks (GAN). Learning from the recorded acceleration time-histories at each floor of the building, the neural network herein conceived has the capability to reconstruct the transient dynamics of the structure, based on a set of meaningful features, that the network learns to extract and to encode in an informative and disentangled latent space. The main novelty of the work is represented by the capability of the neural network to generate plausible time-histories corresponding to different damage states, without the need to rely upon real recordings linked to damaged conditions. This prediction is performed by extracting from the undamaged records or simulated structural responses a compressed feature representation and then by resampling and manipulating this low-dimensional latent space to decode the transient dynamic response corresponding to a certain damage level.

Le strutture e le infrastrutture civili svolgono un ruolo cruciale nella nostra società. Le loro prestazioni strutturali sono minacciate da diversi fattori, quali il deterioramento e il progressivo accumulo di danno. Ricostruire queste infrastrutture quando eccessivamente danneggiate non risulta economicamente vantaggioso. In questo contesto, il monitoraggio strutturale è diventato un campo di ricerca attivo, con l’obiettivo di rilevare, localizzare e quantificare il danno. Rispetto ai metodi più diffusi basati su controlli visivi e non distruttivi, un approccio di monitoraggio globale fondato sulla misura di vibrazioni offre numerosi vantaggi: infatti, non richiede alcuna conoscenza a priori della localizzazione del danno e può fornire una stima quantitativa dello stato di salute della struttura, raramente fornita dai metodi tradizionali. Inoltre, l’enorme quantità di dati raccolti può essere sfruttata tramite un algoritmo di deep learning, al fine di estrarre caratteristiche significative della risposta dinamica strutturale. In questo lavoro, viene proposto un nuovo approccio per il monitoraggio strutturale di edifici multipiano, basato su una tecnica di deep learning appartenente alla famiglia delle reti generative avversarie. La rete neurale qui concepita ha la capacità di apprendere dalle accelerazioni registrate ad ogni piano dell’edificio a ricostruire la risposta dinamica della struttura, sulla base di features caratteristiche, che la rete impara ad estrarre e a codificare in uno spazio latente di taglia ridotta. La principale novità del lavoro è rappresentata dalla capacità della rete neurale di generare storie temporali plausibili corrispondenti a diversi stati di danno, senza la necessità di fare affidamento su registrazioni reali legate alle condizioni di danneggiamento. Questa previsione viene eseguita estraendo dalle registrazioni su struttura non danneggiata o dalle risposte strutturali simulate una loro rappresentazione compressa che, debitamente manipolata, viene usata per decodificare la risposta dinamica corrispondente a un certo livello di danno.