Utilizzo di algoritmi basati sull'Intelligenza Artificiale nel monitoraggio di tunnel rivestiti in CLS : verifica e possibile integrazione nelle procedure ispettive

An efficient infrastructure system is an ineliminable prerequisite for the modernization of a country and the resulting economic growth. It follows that the monitoring of the infrastructures present in the territory, represents a fundamental aspect of civil engineering that must ensure the safety and functionality of these assets during their life cycle, also respecting the principles of environmental sustainability. Among all the infrastructures present within the national heritage, tunnels represent one of the most complex and vulnerable elements. Nowadays, diagnostics and monitoring activities for assessing the health status of tunnels and scheduling maintenance interventions rely on on-site visual inspections that do not allow objective and repeatable data collection, affecting the outcome of investigations and their reliability. This has generated a growing focus on different techniques aimed at converting the traditional infrastructure management approach based on cyclic corrective inspection programs to higher-performance predictive management. Among the most modern monitoring techniques, those that rely on the use of Artificial Intelligence represent an unprecedented opportunity to increase labor productivity and make strides towards sustainable development. ETS Srl, the company that assisted the development, has developed an innovative tunnel management methodology that integrates multidimensional mobile mapping survey systems, defect analysis, artificial intelligence and risk analysis into a single workflow called MIRET. The methodology is based on the use of several tools to acquire high-resolution images representing the tunnel lining. The deep learning algorithm integrated into the workflow uses this data as input for automatic digitization of water-caused deteriorations such as moisture stains and seepage. The objective of this thesis is to evaluate new analysis methodologies aimed at improving the interpretation of the results of the WaterSegNet algorithm developed by the ETS company for digitizing water-caused defects present on the coating from concrete-lined tunnel. The algorithm will be applied to a dataset related to a different case study than the one used in the training phase to evaluate its performance stability and propose possible technical specifications to be implemented in the future.

Un sistema di infrastrutture efficiente è un presupposto ineliminabile per la modernizzazione di un paese e per la conseguente crescita economica. Da ciò si deduce che il monitoraggio delle infrastrutture presenti sul territorio rappresenta un aspetto fondamentale dell’ingegneria civile, che deve garantire la sicurezza e la funzionalità di queste opere durante il loro ciclo di vita, rispettando inoltre i principi di sostenibilità ambientale. Tra le infrastrutture presenti all’interno del patrimonio nazionale le gallerie rappresentano uno degli elementi più complessi e vulnerabili. Al giorno d’oggi, le attività di diagnostica e monitoraggio per la valutazione dello stato di salute delle gallerie e per la programmazione degli interventi di manutenzione sono affidate a ispezioni visive in sito che non consentono una raccolta dei dati oggettiva e ripetibile, influenzando il risultato delle indagini e la loro affidabilità. Questo ha generato una crescente attenzione verso tecniche differenti, volte a convertire l’approccio tradizionale di gestione delle infrastrutture basato su programmi d’ispezione ciclica correttiva verso gestioni di tipo predittivo più performanti. Tra le più moderne tecniche di monitoraggio, quelle che si basano sull’utilizzo dell’Intelligenza Artificiale rappresentano un’opportunità senza precedenti per incrementare la produttività del lavoro e fare passi in avanti verso lo sviluppo sostenibile. ETS S.r.l, azienda con la quale è stato sviluppato questo lavoro, ha elaborato una metodologia innovativa di gestione delle gallerie che integra sistemi di rilievo multidimensionale mobile mapping, analisi difettologiche, Intelligenza Artificiale e analisi di rischio in un unico flusso di lavoro denominato MIRET. La metodologia si basa sull’utilizzo congiunto di diversi strumenti, tra cui alcuni per l’acquisizione di immagini ad alta risoluzione rappresentanti il rivestimento della galleria. L’algoritmo di Deep Learning integrato nel flusso di lavoro utilizza questi dati come input per la digitalizzazione automatica degli ammaloramenti causati dall’acqua, quali macchie d’umidità e infiltrazioni. L’obiettivo di questa tesi è quello di sperimentare nuove metodologie di analisi volte al miglioramento dell’interpretazione dei risultati dell’algoritmo WaterSegNet sviluppato dall’azienda ETS per la digitalizzazione dei difetti causati dall’acqua presenti sui rivestimenti dalle gallerie rivestite in calcestruzzo. L’algoritmo verrà applicato ad un dataset relativo ad un caso studio diverso da quello utilizzato in fase di addestramento in modo da valutarne la stabilità delle prestazioni e proporre possibili specifiche tecniche da implementare in futuro.