Data driven SHM of a railway bridge : static and dynamic analysis

The Structural Health Monitoring (SHM) of civil infrastructures is an important research topic for the engineering community: its aim is to guarantee adequate and safety operational conditions for recent and old structures. In this field the use of purely data-driven models has the advantage to ease the application in different cases and, thanks to the high number of machine learning techniques available nowadays, it allows to try and find the more suitable one. The steps presented in this work follow the statistical pattern recognition paradigm: a model is designed based on a database from the undamaged structure and then through the simulation of damages a statistical model is tested to recognize the presence of anomalies. In this case the data-driven SHM of a railway bridge is applied in the static and dynamic field: the models used are a linear and elliptical regression for the first and an autoregressive (AR) model for the second. To enhance the dynamic analysis it is developed a procedure to estimate the travelling train load, it allows the classification of the inputs acting on the structure and to analyse only the desired ones. The AR model is widely used in laboratory activities but there are few applications on real structures: this work wants to confirm or find its pros and cons to show if it can have a future in the SHM.

Il monitoraggio della salute strutturale delle infrastrutture civili è un importante oggetto di ricerca nella comunità ingegneristica: l’ obiettivo di questa tipologia di studi è la possibilità di garantire delle sicure ed adeguate condizioni operative per recenti e datate strutture. In questo campo l’uso di modelli puramente data-driven ha il vantaggio di facilitare l’ applicazione in casi differenti e l’ alto numero di tecniche di machine learning disponibili attualmente permette di provare e trovare la migliore alternativa. I passaggi presenti in questo lavoro seguono un paradigma di riconoscimento statistico di categorie: il modello è sviluppato basandosi su un database ottenuto dalla struttura sana e in seguito, attraverso la simulazione di danni, il modello statistico è testato per riconoscere la presenza di anomalie. In questo caso il monitoraggio data-driven di un ponte ferroviario è applicato nel campo statico e dinamico: i modelli utilizzati sono una regressione lineare ed ellittica per il primo e un modello autoregressivo per il secondo. Per migliorare l’ analisi dinamica è stata sviluppata una procedura per la stima del carico dei treni viaggianti, questo permette una classificazione degli input agenti sulla struttura e di analizzare solo quelli desiderati. Il modello AR è stato largamente usato nelle attività di laboratorio ma sono presenti poche applicazioni su una struttura reale: questo lavoro vuole confermare o trovare i pro e contro di questo metodo per mostrare se potrà avere un futuro nel monitoraggio strutturale.