Development of statistical models to the purpose of Structural Health Monitoring of Palazzo Regione Lombardia in Milan

The purpose of the thesis is to develop an effective alternative predictive regression model for the modal parameters, in particular the eigenfrequencies, of the Palazzo Regione Lombardia building, which is equipped with a Structural Health Monitoring system (SHM). This system includes several accelerometers and inclinometers to assess the dynamic and static behaviors of the building. Thus, modal parameters were chosen as the vibration-based indicators to reflect structural behavior and health. The modal identification procedure was performed by a set of automatic scripts using Poly-Reference Least Squares Complex Frequency (PolyMAX) and Complex Mode Indicator Function (CMIF) algorithms. The inputs for these algorithms are the raw data generated by the SHM system every ten minutes, but after being preprocessed. This research fully automates the processing and identification of the eigenfrequencies. Furthermore, the performance of an existing regression model (empirical model) was evaluated. This model was developed by using five channels that were highly correlated to the environmental parameters. Due to the significant probability of missing important structural information by only considering a small number of channels when there are more signals available, in addition to the high dimension of the data, this research proposes performing Principal Component Analysis (PCA) on the data. PCA is a method that explains how a complex data set can be reduced into smaller dimensions and identifies the main characteristics of the data by transforming it into a new domain with principal components, which are new uncorrelated variables. As a result, eight different PCA-based regression models were suggested. Following a comprehensive assessment, a regression model using PCA has been selected that uses a reduced number of principal components that can represent all the available information obtained through all accelerometers and inclinometers. The effectiveness of this model and the empirical one was compared, and the results demonstrated that the model using PCA was able to successfully estimate and predict the eigenfrequency trends without losing any relevant information while being able to reduce the size of the data.

Lo scopo della tesi è quello di sviluppare un efficace modello alternativo di regressione predittiva per i parametri modali, in particolare le frequenze proprie, di Palazzo Regione Lombardia, che è dotato di un sistema di monitoraggio strutturale (SHM). Questo sistema comprende diversi accelerometri e inclinometri per valutare i comportamenti dinamici e statici dell'edificio. Pertanto, i parametri modali sono stati scelti come indicatori basati sulle vibrazioni per riflettere il comportamento e la salute della struttura. La procedura di identificazione modale è stata eseguita da una serie di script automatici utilizzando algoritmi Poly-Reference Least Squares Complex Frequency (PolyMAX) e Complex Mode Indicator Function (CMIF). Gli input per questi algoritmi sono i dati grezzi generati dal sistema SHM ogni dieci minuti, ma dopo essere stati preelaborati. Questa ricerca automatizza completamente l'elaborazione e l'identificazione delle frequenze proprie. Inoltre, sono state valutate le prestazioni di un modello di regressione esistente (modello empirico). Questo modello è stato sviluppato utilizzando cinque canali altamente correlati ai parametri ambientali. A causa della significativa probabilità di perdere importanti informazioni strutturali considerando solo un piccolo numero di canali quando sono disponibili più segnali, questa ricerca propone di eseguire l'analisi delle componenti principali (PCA) sui dati. La PCA è un metodo che spiega come un insieme di dati complesso può essere ridotto in dimensioni più piccole e identifica le caratteristiche principali dei dati trasformandoli in un nuovo dominio con componenti principali, che sono nuove variabili non correlate. Di conseguenza, sono stati suggeriti otto diversi modelli di regressione basati sulla PCA. A seguito di una valutazione completa, è stato selezionato un modello di regressione basato sulla PCA che utilizza un numero ridotto di componenti principali in grado di rappresentare tutte le informazioni disponibili ottenute attraverso tutti gli accelerometri e inclinometri. L'efficacia di questo modello e di quello empirico è stata confrontata i risultati hanno dimostrato che il modello che utilizza la PCA è in grado di stimare e prevedere con successo l’evoluzione delle frequenze proprie della struttura senza perdere alcuna informazione rilevante pur essendo in grado di ridurre la dimensione dei dati.