Machine learning and deep learning algorithms for anomaly detection

This Master's Thesis work is an extension of two research papers that delve into the utilization of artificial intelligence in the field of Structural Health Monitoring. Changes in the nominal configuration of a structure can often indicate the presence of structural defects that require monitoring to prevent them from escalating to critical conditions. Undoubtedly, the capability to automatically detect alterations in a structure holds significant appeal. When there is a lack of prior knowledge about the system, artificial intelligence, and specifically deep learning models, can effectively identify structural changes and enhance the ability to pinpoint the location of damage.However, it's important to note that acquiring data related to scenarios involving damaged structures is not always feasible. Within this study, we provide a comprehensive overview of Artificial Intelligence, with a specific emphasis on machine learning and deep learning. Furthermore, we apply two deep learning approaches to a test rig featuring a scaled-down four-story building model: a physics-informed autoencoder and a simpler data-driven autoencoder. We subsequently compare their performance to conventional methods based on experimental modal analysis. Specifically, we simulate modifications to the system by adjusting the stiffness of the spring. Both of these machine learning algorithms demonstrated their superiority over traditional approaches. Additionally, the physics-informed neural networks exhibited a higher potential for detecting and precisely locating structural damages.

Questo lavoro di Tesi Magistrale rappresenta l'estensione di due articoli di ricerca incentrati sull'applicazione dell'intelligenza artificiale per il monitoraggio della condizione delle strutture. Infatti, una variazione della configurazione nominale può essere correlata ad un difetto strutturale che deve essere attenzionato prima che raggiunga condizioni critiche. E' evidente come la capacità di rilevare automaticamente i cambiamenti in una struttura abbia riscosso molto interesse negli ultimi anni. Inoltre, senza una conoscenza pregressa del sistema, l’intelligenza artificiale e, in modo più preciso, i modelli di deep learning potrebbero rivelarsi efficaci nella rilevazione di cambiamenti struttura e migliorare inoltre la capacità di identificarne la posizione. Tuttavia, l'acquisizione di dati relativi a scenari di strutture danneggiate non è sempre praticabile. In questo articolo viene fornita una panoramica generale dell’Intelligenza Artificiale, con particolare attenzione al machine learning e al deep learning. Inoltre, due approcci basati sul deep learning sono applicati a un modello di un edificio di quattro piani: un autoencoder physic-based e autoencoder semplicemente basato sui dati disponibili. Le prestazioni sono poi confrontate con quelle ottenute con approcci convenzionali basati sulla classica analisi modale. In particolare, i possibili danni strutturali sono simulati variando la rigidezza della dei pilastri, modellati attraverso molle. Entrambi gli algoritmi di machine learning hanno dimostrato migliori prestazione rispetto all’approccio tradizionale. Inoltre, viene confermato il maggiore potenziale nel rilevare e localizzare i danni delle reti neurali physic-informed.