Smart damage detection performed on a bridge scaled model

Structural health monitoring (SHM) development is often hindered by the scarcity of experimental data from damaged real-world structures. To overcome this limitation, this thesis presents an unsupervised damage detection and localization methodology validated on a physical scaled model of an actual concrete road bridge. A modular structure, designed to replicate the dynamic behavior of the reference bridge and equipped with a pre-compression cable system, was constructed. Extensive dynamic tests simulated reversible mass additions and irreversible degradations, such as cross-beam joint loosening and cable prestress loss. Additionally, quasi-static and moving load tests proved that accelerometers can accurately reconstruct structural deflections. To identify anomalies without labeled damage data, a sparse autoencoder (SAE) was developed. Trained exclusively on healthy data, it utilizes the mean absolute error (MAE) of the signal reconstruction as a damage index. Diagnostic capabilities were evaluated across three input domains: raw time histories, power spectral density (PSD), and mode shape curvatures. The SAE achieved excellent detection accuracies: 92.9% in the time domain and 100% in both frequency and modal domains. Regarding spatial localization, two-dimensional (2D) damage maps highlighted the complementary diagnostic capabilities of the three domains. Time and frequency inputs effectively localized mass additions and cross-beam damages, whereas curvatures proved superior for detecting distributed stiffness drops, such as the loss of prestress. Ultimately, this work proves that integrating unsupervised deep learning with a multi-domain feature extraction approach provides a highly robust and scalable solution for the continuous monitoring of real-world bridges.

Lo sviluppo del monitoraggio strutturale è spesso ostacolato dalla scarsità di dati sperimentali provenienti da strutture reali danneggiate. Per superare questa limitazione, questa tesi presenta una metodologia non supervisionata per l’identificazione e la localizzazione del danno, validata su un modello fisico in scala di un reale ponte stradale in calcestruzzo. È stata costruita una struttura modulare, progettata per replicare il comportamento dinamico del ponte di riferimento ed equipaggiata con un sistema di cavi di precompressione. Un’estesa campagna di prove dinamiche ha simulato aggiunte di massa reversibili e danni irreversibili, come lo svitamento delle giunzioni dei traversi e la perdita di precompressione nei cavi. Inoltre, test quasi-statici e con carichi mobili hanno dimostrato che gli accelerometri possono ricostruire accuratamente le deflessioni strutturali. Per identificare le anomalie senza l’utilizzo di dati di danno etichettati, è stato sviluppato un autoencoder sparso (SAE). Addestrato esclusivamente su dati in condizioni integre, esso utilizza l’errore assoluto medio (MAE) della ricostruzione del segnale come indice di danno. Le capacità diagnostiche sono state valutate su tre domini di input: storie temporali grezze, densità spettrale di potenza (PSD) e curvature delle forme modali. Il SAE ha raggiunto eccellenti accuratezze di identificazione: 92,9% nel dominio del tempo e 100% nei domini di frequenza e modale. Per quanto riguarda la localizzazione spaziale, le mappe di danno 2D hanno evidenziato le capacità diagnostiche complementari dei tre domini. Gli input nel dominio del tempo e della frequenza hanno localizzato efficacemente le aggiunte di massa e i danni ai traversi, mentre le curvature si sono dimostrate superiori per l’individuazione di riduzioni di rigidezza, come la perdita di precompressione. In definitiva, questo lavoro dimostra che l’integrazione del deep learning non supervisionato con un approccio di estrazione di feature multi-dominio fornisce una soluzione altamente robusta e scalabile per il monitoraggio continuo dei ponti reali.