Data-driven dynamic models for structural health monitoring of bridges

This work focuses on the monitoring of bridges using innovative machine learning techniques to model sensor signals by incorporating exogenous factors. The research aims to enhance the predictability of structural behavior over extended periods, a feature in which existing static prediction methods prevalent in the literature are lacking. Unlike conventional approaches, which usually forecast a single time step at a time, the proposed methodology seeks to identify the underlying dynamical system, enabling more extended and accurate predictions. The study employs real datasets gathered from two distinct bridges equipped with different sensor types, providing a robust validation framework for the proposed techniques. By examining the time series over time, the research not only identifies the current state of the infrastructure but also works on forecasting, uncovering the underlying laws governing sensor evolution. These models can extrapolate over large time windows of several months, which is crucial for structural health assessment. Furthermore, this research explores anomaly detection techniques. Specifically, it introduces a quantitative criterion, based on RMSE, that alerts stakeholders of potential damages sustained by the bridge. This proactive approach to anomaly recognition aims to prevent further deterioration and ensure timely intervention, thereby enhancing the overall safety and resilience of the monitored infrastructure. Lastly, this work checks the performance of the proposed models in the case of noisy data. In summary, this Thesis proposes a novel approach to bridge monitoring by combining advanced machine learning modeling techniques, exogenous factors, and early damage detection. The integration of these elements not only extends the temporal horizon of predictions but also provides a valuable tool for preemptive damage recognition.

Questa tesi approfondisce il campo del monitoraggio dei ponti, impiegando tecniche innovative per modellare i segnali dei sensori attraverso l'inclusione di fattori esogeni. Si mira a migliorare la previsione del comportamento strutturale per lunghi periodi, una caratteristica nella quale i metodi di previsione utilizzati in letteratura sono carenti. A differenza degli approcci convenzionali, che prevedono un singolo passo temporale alla volta, la metodologia proposta punta ad una comprensione più approfondita dei segnali per individuare i loro schemi di evoluzione, consentendo previsioni più estese e accurate. Lo studio si avvale di dataset reali raccolti da due ponti distinti dotati di diversi tipi di sensori, fornendo un solido quadro di convalida per le tecniche proposte. Analizzando i segnali nel tempo, non solo si identifica lo stato attuale dell'infrastruttura, ma si mira anche a scoprire le leggi sottostanti che regolano l'evoluzione dei sensori. Questa comprensione più approfondita serve da base per effettuare previsioni che si estendono ulteriormente nel futuro. Inoltre, questa ricerca esplora il riconoscimento di anomalie nei segnali provenienti dai sensori, in quanto componente integrante delle tecniche di monitoraggio proposte. Introducendo un sistema di allarme, si segnalano potenziali danni subiti dal ponte. Questo approccio proattivo al riconoscimento delle anomalie mira a prevenire ulteriori deterioramenti e assicurare un intervento tempestivo, migliorando così la sicurezza complessiva e la resilienza dell'infrastruttura monitorata. Infine, si studia il comportamento degli algoritmi nel caso di dati con presenza di rumore. In sintesi, questa tesi introduce un approccio innovativo al monitoraggio dei ponti attraverso la combinazione di tecniche avanzate di modellazione, fattori esogeni e rilevamento di anomalie. L'integrazione di questi elementi non solo estende l'orizzonte temporale delle previsioni, ma fornisce anche uno strumento prezioso per il riconoscimento preventivo dei danni, contribuendo in ultima analisi all'avanzamento delle pratiche di monitoraggio della salute strutturale.