Blending physics and data in structural health monitoring

Structural health monitoring studies how to continuously assess structural performance by analysing data collected through sensor networks. The lack of experimental data related to damage conditions makes hard to employ supervised learning techniques for the calibration, through machine learning, of statistical models using relevant information contained in the monitoring recordings, the so called features, to produce damage descriptions. Physics based models can be employed to enable supervised learning by simulating, e.g. through the finite element method, structural dynamic responses in different damage scenarios and operational conditions, and by forming datasets of labelled vibration multivariate time series. Reduced order modelling can be exploited to accelerate the construction of these datasets. Deep learning has been here proposed to jointly accomplish automatic features extraction and statistical model calibration by employing fully convolutional networks to perform damage localisation. Relevant results addressing challenging case studies have been obtained. By adopting such a viewpoint, an autoencoder has been designed to obtain a reduced set of latent variables describing the monitoring data, then used to perform load identification in a test case related to an high rise building. Attention has been paid to filtering techniques since they offer a different and interesting way of mixing physics based predictions and incoming data. Indeed, these techniques allow to associate a numerical model to the current state of a structure instead of using numerical models to simulate vibrations matching future recordings. Within this framework, the uncertainties related to the modelling assumptions, and the uncertainties related to the calibrating parameters have been simultaneously treated by using a model class selection approach, whose formulation has been here adapted for unscented Kalman filtering. Due to its easier implementation, this formulation is believed to provide operative advantages with respect to the original proposal resting on an extended Kalman filter.

Oggetto dello structural health monitoring è il continuo controllo della sicurezza strutturale da effettuarsi attraverso l’analisi dei dati acquisiti da una rete di sensori. Le features, vale a dire le informazioni più significative contenute nei dati di monitoraggio, vengono associate alla descrizione di possibili stati di danneggiamento attraverso la calibrazione di modelli statici basata sul machine learning. L’utilizzo di tecniche di apprendimento supervisionate è impedito dalla mancanza di dati relativi alle possibili condizioni danneggiate della struttura all’inizio del processo di monitoraggio. Per questo motivo, modelli fisici sono impiegati per simulare la risposta dinamica della struttura in diverse situazioni operative e di danneggiamento. Queste risposte dinamiche vengono raccolte all’interno di dataset la cui costruzione è accelerata dall’utilizzo di metodi di riduzione d’ordine. Un approccio basato sul deep learning, attraverso reti neurali dette fully convolutional, è stato proposto per estrarre le feature e per localizzare il danneggiamento della struttura in maniera simultanea. Ottimi risultati sono stati ottenuti dall’applicazione di questa proposta in diversi casi studio. Sfruttando un simile punto di vista, un autoencoder è stato progettato per effettuare la riduzione dimensionale dei dati di monitoraggio in un insieme di variabili dette latenti, poi sfruttate per effettuare l’identificazione dei carichi applicati ad un edificio multipiano. Come ultimo spunto, l’attenzione è stata rivolta all’utilizzo di tecniche di filtraggio. Queste consentono di associare un modello fisico alle condizioni strutturali correnti, invece di utilizzare un modello per simulare le possibili risposte dinamiche della struttura. Una tecnica per la selezione della migliore modellizzazione tra quelle possibilmente impiegate da un sistema di filtraggio è stata adattata per l’unscented Kalman filter. Lo scopo è stato quello di trattare le incertezze relative alla parametrizzazione sottintesa dal modello fisico con vantaggi operativi alla formulazione originaria relativa all’extended Kalman filter.