Machine learning tools for structural health monitoring of dams

Ensuring the structural safety of dams is an increasingly urgent issue due to aging infrastructures and their essential role in energy supply and water management. This thesis investigates predictive modeling and anomaly detection methods to improve the monitoring of dam behavior, combining data-driven approaches with physically based models. The first part of the work compares statistical, machine learning, and deterministic models across three case studies: the arch dam used as reference during the Benchmark Workshop 2022 organized by the International Commission on Large Dams, an arch-gravity dam, and a multiple-arch dam. Displacement measurements are analyzed through hydrostatic-season-time regression and gradient boosted regression trees, while finite element models provide independent physical predictions. To increase the accuracy of data-driven models, two complementary strategies are proposed: a systematic procedure for selecting variable-specific predictors, and the correction of instrumental effects through a hybrid approach that integrates statistical modeling with machine learning, supported by model interpretation techniques. The second part focuses on anomaly detection. A first analysis considers instrumental errors by introducing artificial faults into a real displacement series, assessing threshold-based methods that update annually. A second analysis addresses structural anomalies using synthetic damaged data from numerical simulations. An autoencoder trained on undamaged conditions identifies deviations more effectively than traditional approaches and highlights the most affected variables, offering promising indications for damage localization. Since the ability to localize depends on the type of structure and damage scenario, additional studies are carried out on two similar case studies. In these analyses, joint degradation is simulated by reducing the friction along vertical contacts, and relative displacements across joints together with other response variables are evaluated to determine their responsiveness to this type of damage.

Garantire la sicurezza strutturale delle dighe è una necessità sempre più urgente, sia per l’invecchiamento delle opere sia per il loro ruolo fondamentale nella produzione di energia e nella gestione delle risorse idriche. Questa tesi affronta il tema attraverso l’implementazione di metodi di modellazione predittiva e di rilevamento delle anomalie, combinando approcci basati sui dati con modelli fisici. Nella prima parte vengono messi a confronto modelli statistici, di machine learning e deterministici su tre casi studio: la diga ad arco di riferimento del Benchmark Workshop 2022 promosso dalla Commissione Internazionale per le Grandi Dighe, una diga ad arco-gravità e una diga ad archi multipli con speroni. Gli spostamenti sono stati analizzati mediante regressione idrostatico-stagionale-temporale e gradient boosted regression trees, mentre i modelli agli elementi finiti hanno fornito previsioni fisiche indipendenti. Per migliorare l’affidabilità dei modelli basati sui dati sono state introdotte due strategie: una procedura sistematica per la selezione dei predittori più significativi per ciascuna variabile e la correzione degli effetti strumentali tramite un approccio ibrido che integra modellazione statistica e machine learning, supportato da tecniche di interpretazione dei modelli data-driven. La seconda parte è dedicata al rilevamento delle anomalie. In un primo momento si sono analizzati errori strumentali introdotti artificialmente in una serie reale di spostamenti, valutando l’efficacia di soglie con aggiornamento annuale. Successivamente si sono considerate anomalie strutturali mediante dati sintetici generati da simulazioni numeriche con danneggiamento. Un autoencoder addestrato in condizioni normali ha dimostrato di individuare le deviazioni con maggiore efficacia rispetto agli approcci tradizionali ed evidenziare le variabili più influenzate, offrendo indicazioni promettenti per la localizzazione del danno. Poiché la possibilità di localizzazione dipende dal tipo di struttura e dallo scenario di danneggiamento, sono stati condotti ulteriori studi su due dighe di tipologia simile, simulando il degrado dei giunti verticali tramite riduzione dell’attrito lungo i contatti tra i conci e analizzando diverse variabili misurabili per valutarne la sensibilità.