A DATA-DRIVEN APPROACH FOR BRIDGE VULNERABILITY ASSESSMENT AND MAINTENANCE PRIORITIZATION USING PRINCIPAL COMPONENT ANALYSIS AND CLUSTERING TECHNIQUES

Bridges are particularly vulnerable to aging and degradation, including steel reinforcement corrosion and concrete deterioration in concrete bridges. Aggressive environmental conditions and increasing traffic demand can eventually cause a significant reduction in structural performance and functionality over time. Due to the substantial and vital role of bridges in the transportation system and the scarcity of financial funds for bridge management, it is crucial to prioritize maintenance strategies to identify the structures which require more attention for maintenance. Delaying or neglecting bridge maintenance action can result in significant risk to public safety and disruptions in transportation networks. This thesis proposes a data-driven method to categorize bridges based on their current conditions and identify critical factors influencing bridge vulnerabilities by using Principal Component Analysis (PCA) and k-means clustering techniques. Using available information of 288 bridges in the Lombardy Region, this thesis demonstrates how the statistical analysis of the data obtained from inspections can be used to prioritize and rationally plan the maintenance strategy. By leveraging numerical indicators derived mainly from available data from a documentary basis, this thesis aims to optimize resource allocation in bridge management. The results show that PCA and clustering analyses are able to provide a systematic framework to identify and group bridges with similar vulnerability profiles. This categorization allows for targeted maintenance planning, ensuring resources are allocated to the most vulnerable and high-risk bridges. Therefore, PCA can be a viable tool for evaluating large datasets in engineering applications and for a robust approach to prioritizing bridge maintenance and enhancing the durability and safety of bridges and infrastructural facilities.

I ponti sono particolarmente vulnerabili all'invecchiamento e al degrado, in particolare i ponti in calcestruzzo esposti alla corrosione delle armature e al danneggiamento del calcestruzzo. Le condizioni di aggressività ambientale e l'aumento dei carichi da traffico possono causare una significativa riduzione delle prestazioni strutturali e della funzionalità nel tempo. Tenuto conto del ruolo vitale dei ponti nei sistemi di trasporto e della scarsità di fondi per la loro gestione, è fondamentale definire priorità di intervento e strategie di manutenzione in modo da individuare le strutture che richiedono maggiore attenzione. Ritardare o trascurare la manutenzione dei ponti può comportare rischi significativi per la sicurezza degli utenti e interruzioni nelle reti di trasporto. Questa tesi si colloca in questo contesto e propone un approccio alla classificazione speditiva dei ponti in base alle informazioni disponibili sul loro stato di conservazione e a fattori critici che ne influenzano la vulnerabilità. A questo scopo vengono utilizzate tecniche di Principal Component Analysis (PCA) e clustering. Sulla base dei dati acquisiti per 288 ponti in gestione a Regione Lombardia, la tesi mostra come una analisi statistica dei dati ottenuti dalle ispezioni consenta di definire le priorità e pianificare in modo razionale le strategie di manutenzione. In particolare, la tesi mira a ottimizzare l'allocazione delle risorse nella gestione dei ponti sulla base di indicatori elaborati a partire da dati disponibili su base principalmente documentale. I risultati mostrano che le analisi PCA e di clustering sono in grado di fornire un quadro sistematico per identificare e raggruppare i ponti con profili di vulnerabilità simili. Questa categorizzazione consente una pianificazione mirata della manutenzione, garantendo l'allocazione delle risorse ai ponti più vulnerabili e a maggiore rischio. Si dimostra in particolare che l'analisi delle componenti principali (PCA) può essere uno strumento valido per valutare grandi insiemi di dati in applicazioni ingegneristiche e per un approccio robusto nella definizione delle priorità manutentive dei ponti.