Mitigating environmental and operational variability in bridge SHM via regime partitioning and adaptive Mahalanobis novelty scoring

Monitoring bridges is key to ensuring the structural safety and planning effective maintenance; however, environmental variations and operational (EOV) can alter measured structural responses in ways that resemble real damage, thus increasing false alarms or masking deterioration authentic. In real-world applications, the limited availability of damage data further limits the use of conventional supervised approaches, motivating the development of robust unsupervised strategies for reliable valuation structural conditions in the presence of variable operating conditions. This thesis proposes an unsupervised hybrid framework that extends the Tuned Spectral Clustering (TSC) and integrates a damage index called Conditioning-guided Adaptive Mahalanobis Squared Distance (CAMSD). The method initially uses TSC to subdivide reference measurements into more homogeneous clusters, then performs the detection of anomalies through CAMSD with a statistical threshold calibrated on undamaged data. The approach is validated on the KW51 dataset (undamaged pre-intervention segment, with real EOV) and on the Z24 dataset under progressive damage and is compared with the classic Mahalanobis Squared Distance (MSD) approach, with variants based on robust and standard-baseline covariance. The results of the various analyses show a improved mitigation of EOV effects, a reduced false alarm rate and a more reliable damage detection, supporting the proposed approach as a solution practical for monitoring bridges.

Il monitoraggio dei ponti è fondamentale per garantire la sicurezza strutturale e pianificare interventi di manutenzione efficaci; tuttavia, la variabilità ambientale e operativa (Environmental and Operational Variability, EOV) può alterare le risposte strutturali misurate in modo da imitare il danneggiamento reale, incrementando i falsi allarmi oppure mascherando un deterioramento effettivo. Nelle applicazioni in campo reale, la limitata disponibilità di dati di danno riduce ulteriormente l’efficacia degli approcci supervisionati convenzionali, motivando lo sviluppo di strategie robuste non supervisionate per una valutazione affidabile delle condizioni strutturali in presenza di condizioni operative variabili. La presente tesi propone un framework ibrido non supervisionato che estende il Tuned Spectral Clustering (TSC) e integra un indice di danno denominato Conditioning-guided Adaptive Mahalanobis Squared Distance (CAMSD). In una prima fase, il TSC suddivide le misure di riferimento in cluster più omogenei; successivamente, il rilevamento delle anomalie è eseguito mediante CAMSD, adottando una soglia statistica calibrata su dati indisturbati. L’approccio è validato sul dataset KW51 (segmento pre-intervento non danneggiato, con EOV reali) e sul dataset Z24 in presenza di danneggiamento progressivo, ed è confrontato con il metodo classico basato sulla distanza quadratica di Mahalanobis (MSD), includendo varianti con stima della covarianza standard e robusta. I risultati mostrano una migliore mitigazione degli effetti EOV, una riduzione del tasso di falsi allarmi e una rilevazione del danno più affidabile, supportando la proposta come soluzione pratica per il monitoraggio dei ponti.