Early damage detection and structural health monitoring (SHM) strategies of complex civil structures have gained much attraction in recent years. Specially stadiums’ SHM is at present the subject of research since they host a huge number of individuals and their use for different kinds of activities such as concerts is on the rise. Because damage detection is linked to changes in modal parameters, vibration-based SHM is being developed. Considering the latest developments in this field, great attention has been paid to data-based approaches using Machine Learning (ML). However, the majority of the published works are still in the experimental laboratory phase and there is the need for works to be done on real structures where the application of SHM is essential and needs to be tested. MATLAB can process a huge amount of data in a short time removing limitations on the number of features to be used and the number of classifiers to be analyzed. Hence it is a great tool for real-time feature extraction and classification and classifier optimization. Thanks to the monitoring system installed before and data collected over previous years, the vibration data coming from Meazza San Siro stadium in Milan are used in this work to develop a real-time and high accuracy SHM system based on a ML approach by the use of MATLAB. This study is done under ambient excitation conditions for stands 2041 and 2051 of Meazza stadium with 4000 of data which 70% of them are used as training and the other 30% are used as validation. In the end, 400 data from the initial set are reused in the test phase. In fact, it was decided to perform the SHM of stand 2041 by simulating the damaged data with the healthy condition of stand 2051. This would be one of the most critical cases for a ML approach where similar data coming from near stands make it hard for the classification task. The strategy is applied for the first time on the data collected by the long-time monitoring system installed on the stands of the G. Meazza stadium in Milan. Twenty-seven features are extracted from modal parameters of the system and statistical information of signals. The results show the high accuracy of optimized Ensemble group Classifiers for real-time classification of data in this application. The resulting false positive and false negative errors are 2.27% And 3.02% respectively. This accuracy in fact would guarantee a reliable SHM in the future works.

Rilevamento precoce dei danni e strategie di monitoraggio della salute strutturale (SHM) delle strutture civili complesse hanno attirato grande attenzione negli ultimi anni. In particolare, il monitoraggio della salute strutturale degli stadi è attualmente oggetto di ricerca, poiché tali strutture ospitano un gran numero di persone e vengono utilizzate sempre più frequentemente per diversi tipi di attività, come i concerti. Poiché il rilevamento dei danni è legato alle variazioni dei parametri modali, si stanno sviluppando metodi SHM basati sulle vibrazioni. Considerando gli sviluppi più recenti in questo campo, è stata posta particolare attenzione agli approcci basati sui dati che utilizzano il Machine Learning (ML). Tuttavia, la maggior parte dei lavori pubblicati si trova ancora in una fase sperimentale di laboratorio, e vi è la necessità di condurre studi su strutture reali, dove l'applicazione dell'SHM è essenziale e necessita di essere testata. MATLAB, grazie alla sua capacità di elaborare grandi quantità di dati in tempi ridotti, elimina i limiti relativi al numero di caratteristiche utilizzabili e al numero di classificatori analizzabili. Si presenta, pertanto, come uno strumento ideale per l'estrazione e la classificazione in tempo reale delle caratteristiche e per l'ottimizzazione dei classificatori. Grazie al sistema di monitoraggio installato in precedenza e ai dati raccolti negli anni precedenti, i dati di vibrazione provenienti dallo stadio Meazza San Siro di Milano sono stati utilizzati in questo lavoro per sviluppare un sistema SHM in tempo reale e ad alta precisione basato su un approccio ML mediante l’uso di MATLAB. Lo studio è stato condotto in condizioni di eccitazione ambientale per le tribune 2041 e 2051 dello stadio Meazza, utilizzando 4000 dati, di cui il 70% è stato impiegato per l'addestramento e il restante 30% per la validazione. Alla fine, 400 dati del set iniziale sono stati riutilizzati nella fase di test. In particolare, si è deciso di effettuare l'SHM della tribuna 2041 simulando i dati danneggiati con le condizioni integre della tribuna 2051. Questo rappresenta uno dei casi più critici per un approccio ML, in cui dati simili provenienti da tribune vicine rendono complesso il compito di classificazione. La strategia è stata applicata per la prima volta ai dati raccolti dal sistema di monitoraggio a lungo termine installato sulle tribune dello stadio G. Meazza di Milano. Ventisette caratteristiche sono state estratte dai parametri modali del sistema e dalle informazioni statistiche dei segnali. I risultati evidenziano l'elevata accuratezza dei classificatori ottimizzati del gruppo Ensemble per la classificazione in tempo reale dei dati in questa applicazione. Gli errori risultanti in falsi positivi e falsi negativi sono rispettivamente del 2,27% e del 3,02%. Tale accuratezza garantirebbe un SHM affidabile nei futuri lavori.

Developing structural health monitoring application in the ambit of machine learning for the data of the Giuseppe Meazza stadium of Milan

ZAKAIE FAR, AMIN;ZAKAIE FAR, MOHAMMAD
2023/2024

Abstract

Early damage detection and structural health monitoring (SHM) strategies of complex civil structures have gained much attraction in recent years. Specially stadiums’ SHM is at present the subject of research since they host a huge number of individuals and their use for different kinds of activities such as concerts is on the rise. Because damage detection is linked to changes in modal parameters, vibration-based SHM is being developed. Considering the latest developments in this field, great attention has been paid to data-based approaches using Machine Learning (ML). However, the majority of the published works are still in the experimental laboratory phase and there is the need for works to be done on real structures where the application of SHM is essential and needs to be tested. MATLAB can process a huge amount of data in a short time removing limitations on the number of features to be used and the number of classifiers to be analyzed. Hence it is a great tool for real-time feature extraction and classification and classifier optimization. Thanks to the monitoring system installed before and data collected over previous years, the vibration data coming from Meazza San Siro stadium in Milan are used in this work to develop a real-time and high accuracy SHM system based on a ML approach by the use of MATLAB. This study is done under ambient excitation conditions for stands 2041 and 2051 of Meazza stadium with 4000 of data which 70% of them are used as training and the other 30% are used as validation. In the end, 400 data from the initial set are reused in the test phase. In fact, it was decided to perform the SHM of stand 2041 by simulating the damaged data with the healthy condition of stand 2051. This would be one of the most critical cases for a ML approach where similar data coming from near stands make it hard for the classification task. The strategy is applied for the first time on the data collected by the long-time monitoring system installed on the stands of the G. Meazza stadium in Milan. Twenty-seven features are extracted from modal parameters of the system and statistical information of signals. The results show the high accuracy of optimized Ensemble group Classifiers for real-time classification of data in this application. The resulting false positive and false negative errors are 2.27% And 3.02% respectively. This accuracy in fact would guarantee a reliable SHM in the future works.
Turrisi, Simone
ING - Scuola di Ingegneria Industriale e dell'Informazione
11-dic-2024
2023/2024
Rilevamento precoce dei danni e strategie di monitoraggio della salute strutturale (SHM) delle strutture civili complesse hanno attirato grande attenzione negli ultimi anni. In particolare, il monitoraggio della salute strutturale degli stadi è attualmente oggetto di ricerca, poiché tali strutture ospitano un gran numero di persone e vengono utilizzate sempre più frequentemente per diversi tipi di attività, come i concerti. Poiché il rilevamento dei danni è legato alle variazioni dei parametri modali, si stanno sviluppando metodi SHM basati sulle vibrazioni. Considerando gli sviluppi più recenti in questo campo, è stata posta particolare attenzione agli approcci basati sui dati che utilizzano il Machine Learning (ML). Tuttavia, la maggior parte dei lavori pubblicati si trova ancora in una fase sperimentale di laboratorio, e vi è la necessità di condurre studi su strutture reali, dove l'applicazione dell'SHM è essenziale e necessita di essere testata. MATLAB, grazie alla sua capacità di elaborare grandi quantità di dati in tempi ridotti, elimina i limiti relativi al numero di caratteristiche utilizzabili e al numero di classificatori analizzabili. Si presenta, pertanto, come uno strumento ideale per l'estrazione e la classificazione in tempo reale delle caratteristiche e per l'ottimizzazione dei classificatori. Grazie al sistema di monitoraggio installato in precedenza e ai dati raccolti negli anni precedenti, i dati di vibrazione provenienti dallo stadio Meazza San Siro di Milano sono stati utilizzati in questo lavoro per sviluppare un sistema SHM in tempo reale e ad alta precisione basato su un approccio ML mediante l’uso di MATLAB. Lo studio è stato condotto in condizioni di eccitazione ambientale per le tribune 2041 e 2051 dello stadio Meazza, utilizzando 4000 dati, di cui il 70% è stato impiegato per l'addestramento e il restante 30% per la validazione. Alla fine, 400 dati del set iniziale sono stati riutilizzati nella fase di test. In particolare, si è deciso di effettuare l'SHM della tribuna 2041 simulando i dati danneggiati con le condizioni integre della tribuna 2051. Questo rappresenta uno dei casi più critici per un approccio ML, in cui dati simili provenienti da tribune vicine rendono complesso il compito di classificazione. La strategia è stata applicata per la prima volta ai dati raccolti dal sistema di monitoraggio a lungo termine installato sulle tribune dello stadio G. Meazza di Milano. Ventisette caratteristiche sono state estratte dai parametri modali del sistema e dalle informazioni statistiche dei segnali. I risultati evidenziano l'elevata accuratezza dei classificatori ottimizzati del gruppo Ensemble per la classificazione in tempo reale dei dati in questa applicazione. Gli errori risultanti in falsi positivi e falsi negativi sono rispettivamente del 2,27% e del 3,02%. Tale accuratezza garantirebbe un SHM affidabile nei futuri lavori.
File allegati
File Dimensione Formato  
2024_12_ZakaieFar.pdf

accessibile in internet per tutti

Descrizione: DEVELOPING STRUCTURAL HEALTH MONITORING APPLICATION IN THE AMBIT OF MACHINE LEARNING FOR THE DATA OF THE GIUSEPPE MEAZZA STADIUM OF MILAN
Dimensione 2.15 MB
Formato Adobe PDF
2.15 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/229354