Attention mechanism-based optimization of structural health monitoring systems

The ageing of materials and extreme loading conditions are pushing many engineering structures around the world towards the end of their design life, increasingly motivating the need for advanced structural health monitoring (SHM) systems. In particular, automated data-driven approaches to real-time damage identification have been recently shown as the last frontier of SHM, gaining more attention each year. In this framework, ensuring high quality and informative data is a critical aspect that, although being constrained by practical limitations regarding the number and the type of sensors to be installed, highly depends on the SHM problem to be solved in the end. In this work, an optimal sensor placement approach is proposed to maximize the information effectiveness to solve the damage localization task. Such method fully coincides with the training of a deep neural network equipped with an attention mechanism, which is a state-of-the-art natural language processing technique useful to detect the most relevant words in a sentence. First, a dataset of potential structural responses is assembled, in terms of vibration recordings, by repeatedly evaluating a parametric physics-based model of the structure to be monitored, so that different operational and damage conditions can be taken into account. Then, an attention-based deep neural network is trained offline to solve the aforementioned damage localization task, framed as a classification problem. Finally, as a byproduct of this end-to-end learning process tailored to answer the damage localization problem, the trained attention mechanism eventually allows to measure the relevance of the information gathered by each sensor. The strength of the proposed method lies in the explainability of the attention mechanism algorithm that, contrary to what normally happens in the artificial intelligence field, is characterized by an interpretable decision process. The capabilities of the proposed method to both locate the damage and inform an optimal arrangement of the sensor network are assessed against two examples involving a cantilever beam and an eight-story shear building, respectively.

L'invecchiamento dei materiali e le condizioni di carico estreme a cui sono sottoposte molte strutture ingegneristiche rientrano tra quei fattori capaci di accorciare sensibilmente la vita utile di progetto, tanto da motivare la crescente necessità di strumenti avanzati per il monitoraggio strutturale. In particolare, gli approcci di valutazione delle condizioni strutturali in tempo reale che si basano sui dati si sono recentemente affermati come l’ultima frontiera del monitoraggio strutturale. Garantire un'elevata qualità dei dati da processare ed un rilevante contenuto d’informazione in essi è un aspetto critico per tali strategie che dipende fortemente dal compito di monitoraggio da assolvere, oltre all’essere vincolato da limitazioni pratiche relative al numero e al tipo di sensori da installare. In questo elaborato, viene proposto un approccio al problema di posizionamento ottimale dei sensori, atto a massimizzare l’utilità delle informazioni veicolate per la localizzazione di un eventuale danneggiamento. Tale obiettivo è raggiunto mediante l'addestramento di una rete neurale profonda equipaggiata con un meccanismo di attenzione, uno strumento tipico del processamento testi frequentemente utilizzato per l’identificazione di parole semanticamente rilevanti all’interno di una frase. In primo luogo, viene assemblato un dataset di possibili risposte strutturali, valutando ripetutamente un modello fisico della struttura da monitorare per diverse condizioni di carico e di danneggiamento. Quindi, viene addestrata una rete neurale profonda, equipaggiata con meccanismo di attenzione, a risolvere il compito di localizzazione del danno, trattandolo matematicamente come un problema di classificazione multinomiale. Infine, come sottoprodotto di questo processo di addestramento, il meccanismo di attenzione così istruito consente di misurare l’utilità delle informazioni raccolte da ciascun sensore. Il punto di forza del metodo proposto risiede nella possibilità di interpretare, fino a un certo livello di profondità, il processo decisionale che caratterizza le scelte operate dal meccanismo di attenzione, una caratteristica che è spesso assente nel campo dell'intelligenza artificiale. Le potenzialità e i limiti del metodo proposto sono state investigate utilizzando due esempi numerici, che coinvolgono rispettivamente una trave a mensola ed un edificio a taglio di 8 piani.