Artificial neural network models for monitoring of concrete arch-gravity dams: a case study application

Artificial Neural Network (ANN) models are explored as surrogate tools for the monitoring of a concrete arch-gravity dam affected by alkali–aggregate reaction (AAR) and by the nonlinear behaviour introduced by the peripheral joint at the foundation interface. The work was developed in collaboration with Lombardi SA during a four-month internship at the Giubiasco office and addresses dam safety assessment through a two-level monitoring strategy. The first monitoring level concerns the reliability of instrumentation. Supervised anomaly detection models were implemented to identify long-term drifts in embedded thermome- ters, while forecasting approaches were applied to validate the central pendulum, ensuring the quality of the input data. The second level focuses on the structural response, with emphasis on two representative indicators: the vertical compression at the dam heel and the radial displacement of the central block. Three modeling families were investigated. A deterministic model was trained on a syn- thetic dataset generated by nonlinear numerical simulations (FLAC), providing physi- cally consistent scenarios. Hybrid models combined real monitoring data with engineered thermal descriptors, achieving a balance between physical interpretability and predictive flexibility. Purely statistical models relied solely on raw monitoring data, exploring ad- vanced recurrent architectures such as LSTM, input-attention LSTM, CNN-LSTM, and dual-stage attention LSTM. Results demonstrate that ANN-based surrogate models can reproduce the nonlinear be- haviour of the structure. The integration of supervised anomaly detection proved effective in ensuring measurement reliability and in predicting structural responses under seasonal and critical operating conditions. The proposed framework complements traditional in- terpretative approaches, providing reliable and efficient tools to support decision-making in dam safety management.

I modelli di Reti Neurali Artificiali (ANN) sono esplorati come strumenti surrogati per il monitoraggio di una diga in calcestruzzo ad arco-gravità soggetta a reazione alcali–aggregati (AAR) e al comportamento non lineare introdotto dal giunto periferico all’interfaccia di fondazione. Il lavoro è stato sviluppato in collaborazione con Lombardi SA durante un tirocinio di quattro mesi presso l’ufficio di Giubiasco e affronta la valutazione della si- curezza della diga attraverso una strategia di monitoraggio a due livelli. Il primo livello di monitoraggio riguarda l’affidabilità della strumentazione. Sono stati implementati modelli di rilevamento supervisionato di anomalie per identificare derive a lungo termine nei termometri inglobati, mentre approcci di previsione sono stati applicati per validare il pendolo centrale, garantendo la qualità dei dati in ingresso. Il secondo livello si concentra sulla risposta strutturale, con enfasi su due indicatori rappresentativi: la compressione verticale al piede di monte e lo spostamento radiale del blocco centrale. Sono state investigate tre famiglie di modelli. Un modello deterministico è stato adde- strato su un dataset sintetico generato da simulazioni numeriche non lineari (FLAC), fornendo scenari fisicamente consistenti. I modelli ibridi hanno combinato dati reali di monitoraggio con descrittori termici ingegnerizzati, raggiungendo un equilibrio tra inter- pretabilità fisica e flessibilità predittiva. I modelli puramente statistici si sono basati esclusivamente su dati grezzi di monitoraggio, esplorando architetture ricorrenti avanzate come LSTM, LSTM con input-attention, CNN-LSTM e LSTM con attenzione a due stadi. I risultati dimostrano che i modelli surrogati basati su ANN possono riprodurre il com- portamento non lineare della struttura. L’integrazione del rilevamento supervisionato di anomalie si è dimostrata efficace nel garantire l’affidabilità delle misure e nel prevedere le risposte strutturali in condizioni operative stagionali e critiche. Il framework proposto integra gli approcci interpretativi tradizionali, fornendo strumenti affidabili ed efficienti a supporto del processo decisionale nella gestione della sicurezza delle dighe.