Structural health monitoring of offshore structures using data-based methods

Structural Health Monitoring (SHM) is a growing and interesting topic in the offshore industry. The oil and gas industries are dealing with aging infrastructure and are looking for possible and reliable ways to extend the life span of these structures, whereas the wind energy industry is significantly investing in such structures. This makes a lot of unique challenges for health monitoring of offshore structures, which all come together with a significant concept known as uncertainty. These kinds of structures are highly prone to failure risk due to their uncertain environment and severe environmental variability. Moreover, many existing structures have not been monitored yet, and those have experienced various loading and operational conditions during their operational life, which are unknown. Due to the inaccessibility of many wind farms, typical inspection procedures are costly and, in some circumstances, dangerous. On this basis, SHM seeks to overcome these concerns by establishing technologies that enable an automated online evaluation of the state of structures to improve decision-making. The main aim of SHM is to assess the integrity of these structures for early damage detection, damage localization, and damage quantification. In recent years, data-based techniques based on statistical approaches present efficient ways to diagnose damage by using measured vibration responses of structures. These approaches are generally based on two main steps, including feature extraction and statistical decision-making. Time series analysis and novelty detection approaches are effective tools for these steps. Despite the advantages of data-based damage detection methods, those may give unreliable results of damage diagnosis in terms of false alarm and false detection errors. These errors may lead to some challenging issues including inappropriate feature extraction, inaccurate feature classification for damage detection due to the adverse effects of environmental and operational variability as well as high-dimensional features. To overcome these challenges, this dissertation proposes data-based methods in the feature extraction and classification steps. The proposed data-based approaches are related to an iterative time series-based method for feature extraction, a robust multidimensional scaling-based method, and a clustering-based novelty detection approach for early damage detection, damage localization, and damage quantification. Eventually, experimental and real structures are investigated to validate the efficacy and accuracy of the proposed approaches. The results indicated that the methods described in this study are reliable and effective solutions for SHM of civil and offshore structures under ambient excitations and environmental and operational variability.

Il monitoraggio strutturale (in inglese Structural Health Monitoring, SHM) è un argomento in crescita e di interesse nel settore offshore. Le industrie del petrolio e del gas stanno affrontando l'invecchiamento delle infrastrutture e sono alla ricerca di modi possibili e affidabili per prolungare la durata di queste strutture, mentre l'industria dell'energia eolica sta investendo in modo significativo su di esse. Ciò crea molte sfide per il monitoraggio delle strutture offshore, che si legano al concetto di incertezza. Questo tipo di strutture sono altamente soggette a rischio di cedimento a causa del loro ambiente incerto e della estrema variabilità ambientale. Inoltre, molte strutture esistenti non sono state ancora monitorate e durante la loro vita operativa hanno subito diverse condizioni di carico che sono sconosciute. A causa dell'inaccessibilità di molti parchi eolici, le procedure di ispezione tipiche sono costose e, in alcune circostanze, pericolose. Su questa base, il monitoraggio strutturale cerca di superare queste problematiche sviluppando tecnologie che consentano una valutazione online automatizzata dello stato delle strutture per migliorare il processo decisionale. L'obiettivo principale del monitoraggio strutturale è valutare l'integrità di queste strutture per il rilevamento precoce, la localizzazione e la quantificazione del danno. Negli ultimi anni, le tecniche basate sugli approcci statistici presentano metodi efficienti per diagnosticare i danni utilizzando le risposte alle vibrazioni misurate delle strutture. Questi approcci si basano generalmente su due fasi principali, ossia l'estrazione delle caratteristiche e il processo decisionale su base statistica. L'analisi delle serie temporali e approcci innovativi di rilevamento sono strumenti efficaci per questi passaggi. Nonostante i vantaggi dei metodi di rilevamento dei danni basati sui dati, questi possono fornire risultati inaffidabili nella diagnosi dei danni in termini di falsi allarmi e falsi errori di rilevamento. Questi errori possono portare ad alcuni problemi, tra cui l'estrazione inappropriata delle caratteristiche, la loro classificazione imprecisa per il rilevamento dei danni a causa degli effetti negativi della variabilità ambientale, nonché l’elevata dimensionalità del problema. Per superare queste sfide, questa tesi propone metodi basati sui dati nelle fasi di estrazione e classificazione delle caratteristiche. Gli approcci basati sui dati proposti sono correlati a un metodo iterativo basato su serie temporali per l'estrazione delle caratteristiche, un solido metodo multidimensionale basato sul ridimensionamento e un approccio di rilevamento della novità basato sul clustering per il rilevamento precoce, la localizzazione e la quantificazione dei danni. Infine, vengono studiate strutture sperimentali e reali per convalidare l'efficacia e l'accuratezza degli approcci proposti. I risultati hanno indicato che i metodi descritti in questo studio sono soluzioni affidabili ed efficaci per il monitoraggio di strutture civili e offshore sotto sollecitazioni ambientali ed operative.