Variational autoencoders for structural health monitoring and generative design

Structural health monitoring (SHM) and structural design processes are experiencing a transformative revolution, primarily driven by the advancements in deep learning methods. Traditionally, these fields relied heavily on heuristic methods, leading to iterative trial-and-error processes that were both time-consuming and expensive. This thesis places variational autoencoders (VAEs) at the forefront of this transformation, showcasing their pivotal role in revolutionizing SHM practices and preliminary structural design. By harnessing the capabilities of generative artificial intelligence (AI), the framework introduced in this study seeks to streamline the design process by leveraging insights derived directly from SHM data. Consequently, this approach reduces the dependency on traditional trial analyses and iterative procedures. Through rigorous evaluation across two distinct case studies, the VAE emerges as a powerful tool, demonstrating remarkable efficacy in enhancing both SHM practices and preliminary structural design. By integrating SHM insights seamlessly into the preliminary design phase, engineers are empowered to move beyond conventional trial-and-error methodologies towards a more efficient, adaptive, and generative design approach.

Il monitoraggio strutturale (SHM) e i processi di progettazione strutturale stanno subendo una rivoluzione, principalmente guidata dagli avanzamenti nei metodi di deep learning. Tradizionalmente, questi settori si sono basati pesantemente su metodi euristici, che hanno portato a processi iterativi di trial and error che erano sia laboriosi che costosi. Questa tesi pone i variational autoencoders (VAE) all'avanguardia di questa trasformazione, mostrando il loro ruolo cruciale nella rivoluzione delle pratiche di monitoraggio strutturale e nella progettazione preliminare delle strutture. Sfruttando le capacità dell'intelligenza artificiale generativa, il framework introdotto in questo studio mira a razionalizzare il processo di progettazione sfruttando le intuizioni derivate direttamente dai dati di monitoraggio strutturale. Di conseguenza, questo approccio riduce la dipendenza dalle analisi sperimentali tradizionali e dai procedimenti iterativi. Attraverso una rigorosa valutazione su due casi studio distinti, il VAE emerge come uno strumento potente, dimostrando una notevole efficacia nel migliorare sia le pratiche di monitoraggio strutturale che la progettazione preliminare delle strutture. Integrando le intuizioni del monitoraggio strutturale nella fase di progettazione preliminare, gli ingegneri sono in grado di superare le metodologie convenzionali di trial and error verso un approccio di progettazione più efficiente, adattabile e generativo.