Machine learning algorithms for automatic damage detection in operating tie-rods

In the field of structural health monitoring on civil structures, an often overlooked topic is the masking effect that environmental conditions as well as thermal variations can have on computed damage indexes that are based on vibration measurements. One such example is found in tie-rods: axially loaded beam type elements installed in the bases of arches to support lateral loads. Continuous monitoring of these elements is challenging due to the infeasibility of constantly measuring the actual loads they are supporting. Data driven approaches based on a single extracted feature are used to tackle this issue. Eigenfrequencies are a suitable candidate for the damage feature, since they represent the dynamical properties of the structural components. However, most techniques require large training sets that contain the widest possible range of variability to classify and discard accordingly. Clearly, this brings limitations for the application of said algorithms. To remove the dependency on the length of the training set, an alternative formulation of the principal component analysis is proposed. It seeks to directly remove the variability coming from the seasonal thermal oscillations without the removal of damage related variability. Two PC-based approaches, the PCA-based method and the PPCA-based method are compared against the benchmark MSD-based method on data coming from an experimental campaign on two tie-rods chemically attacked with acid to induce corrosion. Results demonstrate that both the PCA and PPCA-based methods are capable of outperforming MSD for shorter baseline sets and even in longer training sets, provided that the proper number of principal components is discarded from the damage index calculation. Finally, a hybrid methodology, combining MSD with PC-rotations was proposed, showing an improvement in the reduction of false negative detection, with respect to the benchmark case.

Nel campo del monitoraggio della salute strutturale delle strutture civili, un argomento spesso trascurato è l'effetto di mascheramento che le condizioni ambientali e le variazioni termiche possono avere sugli indici di danno calcolati basati sulle misure di vibrazione. Un esempio di questo tipo si trova nei tiranti: elementi di tipo trave caricati assialmente e installati alla base degli archi per sostenere i carichi laterali. Il monitoraggio continuo di questi elementi è difficile a causa dell'impossibilità di misurare costantemente i carichi effettivi che supportano. Per affrontare questo problema si utilizzano approcci basati su una singola caratteristica estratta. Le frequenza naturale sono un candidato adatto per la caratteristica di danno, poiché rappresentano le proprietà dinamiche dei componenti strutturali. Tuttavia, la maggior parte delle tecniche richiede grandi insiemi di addestramento che contengano la più ampia gamma possibile di variabilità per classificare e scartare di conseguenza. Chiaramente, questo comporta delle limitazioni per l'applicazione di tali algoritmi. Per eliminare la dipendenza dalla lunghezza dell'insieme di addestramento, viene proposta una formulazione alternativa dell'analisi delle componenti principali. Essa cerca di rimuovere direttamente la variabilità derivante dalle oscillazioni termiche stagionali senza rimuovere la variabilità legata ai danni. Due approcci basati su PC, il metodo basato su PCA e il metodo basato su PPCA, sono confrontati con il metodo di riferimento basato su MSD su dati provenienti da una campagna sperimentale su due tiranti attaccati chimicamente con acido per indurre la corrosione. I risultati dimostrano che entrambi i metodi basati su PCA e PPCA sono in grado di superare le prestazioni di MSD per set di riferimento più brevi e anche per set di addestramento più lunghi, a condizione che il numero corretto di componenti principali venga scartato dal calcolo dell'indice di danno. Infine, è stata proposta una metodologia ibrida che combina l'MSD con le rotazioni PC e che mostra un miglioramento nella riduzione dei falsi negativi rispetto al caso di riferimento.