Application of machine learning techniques for dam behavior and damage assessment

The long-term safety and performance of large dams can be supported by structural health monitoring (SHM) tools designed to automatically interpret large amounts of data collected on site, in situations where the structural response is governed by complex interactions between load conditions, environmental influences, and time-dependent phenomena. This work considers two complementary approaches applied to the case of the Tsankov Dam, a double-curved concrete arch dam proposed as a reference problem by the International Commission on Large Dams (ICOLD) in 2025. The classic Hydrostatic–Seasonal–Time (HST) statistical formulation is compared with an alternative based on machine learning using the Random Forest (RF) model. Their performance is evaluated in terms of accuracy, interpretability, and generalization ability. While the HST formulation is based on a predefined functional structure, which limits its flexibility, the RF model achieves greater predictive accuracy by capturing nonlinear interactions between input variables. Anomaly detection is one of the main objectives of SHM. In dam-related applications, anomalies are mainly identified by comparing displacement measurements with predictions derived from the proposed models. In this work, physical damage scenarios are defined for the dam through finite element simulations, and anomaly detection is implemented in an unsupervised setting, in line with practical situations where labeled damage data are not available. The results indicate that the detectability of anomalies is strongly influenced by the spatial and temporal propagation of damage effects and by the selection of the warning threshold.

La sicurezza e le prestazioni a lungo termine delle grandi dighe possono essere supportate da strumenti di monitoraggio dello stato di salute strutturale (SHM) progettati per interpretare automaticamente le grandi quantità di dati che vengono raccolti in loco, in situazioni in cui la risposta strutturale è governata da complesse interazioni tra condizioni di carico, influenze ambientali e fenomeni dipendenti dal tempo. Questo lavoro prende in considerazione due approcci complementari applicati al caso della diga di Tsankov, una diga in calcestruzzo, ad arco e doppia curvatura, proposta come problema di riferimento dalla Commissione Internazionale delle Grandi Dighe (ICOLD) nel 2025. La classica formulazione statistica Hydrostatic–Seasonal–Time (HST) viene confrontata con un'alternativa basata sull'apprendimento automatico che utilizza il modello Random Forest (RF). Le loro prestazioni vengono valutate in termini di accuratezza, interpretabilità e capacità di generalizzazione. Mentre la formulazione HST si basa su funzioni predefinite, che ne limitano la flessibilità, il modello RF raggiunge una maggiore accuratezza predittiva catturando le interazioni non lineari tra le variabili di input. Il rilevamento delle anomalie costituisce uno degli obiettivi principali dell'SHM. Nelle applicazioni relative alle dighe, le anomalie vengono identificate principalmente confrontando la misura di alcuni spostamenti con le previsioni derivate dai modelli proposti. In questo lavoro, vengono definiti alcuni scenari di danno fisico per la diga attraverso simulazioni con elementi finiti. Il rilevamento delle anomalie è implementato in un contesto non supervisionato, in linea con le situazioni reali in cui non sono generalmente disponibili dati ‘etichettati’ come relativi a casi danneggiati. I risultati indicano che la rilevabilità delle anomalie è fortemente influenzata dalla propagazione spaziale e temporale degli effetti del danno e dalla selezione della soglia di allerta.