Bridge health monitoring under frost induced effects by hybrid deep anomaly detection

Structural Health Monitoring (SHM) has emerged as a practical and increasingly automated approach for enhancing the safety, serviceability, and life-cycle management of bridge infrastructure through the continuous tracking of damage-sensitive features extracted from measured structural responses. Among various SHM strategies, vibration-based monitoring using modal frequencies is widely adopted due to its practicality and sensitivity to structural changes. However, long-term modal-frequency-based SHM is critically challenged by erroneous decision-making arising from Environmental and Operational Variability (EOV). In particular, temperature variations and freezing-related conditions can induce abrupt and nonlinear shifts in modal frequencies that resemble damage signatures, leading to false alarms and misidentification of actual structural anomalies. To mitigate these issues, this thesis proposes an unsupervised anomaly-detection framework formulated as a modular pipeline that integrates baseline representation learning and residual extraction using an Autoencoder (AE) with relational–temporal modeling via a Graph Neural Network (GNN). This integration results in a hybrid residual-to-graph learning framework, termed AEGNN, which is designed to enhance robustness against environmentally induced variability. The proposed method is evaluated using long-term modal frequency datasets from two bridge structures subjected to severe environmental changes associated with frost-induced effects. The results demonstrate that the AEGNN framework effectively separates baseline structural behavior from environmentally altered regimes, while significantly improving the reliability of modal-frequency-based SHM under freezing conditions.

Il Monitoraggio della Salute Strutturale (Structural Health Monitoring, SHM) è emerso come un approccio pratico e sempre più automatizzato per migliorare la sicurezza, la funzionalità e la gestione del ciclo di vita delle infrastrutture a ponte, attraverso il monitoraggio continuo di indicatori sensibili al danno estratti dalle risposte strutturali misurate. Tra le diverse strategie di SHM, il monitoraggio basato sulle vibrazioni mediante l’analisi delle frequenze modali è ampiamente adottato grazie alla sua praticità e sensibilità alle variazioni strutturali. Tuttavia, il monitoraggio a lungo termine basato sulle frequenze modali è fortemente influenzato da decisioni errate dovute alla Variabilità Ambientale e Operativa (Environmental and Operational Variability, EOV). In particolare, le variazioni di temperatura e le condizioni legate ai fenomeni di congelamento possono indurre cambiamenti improvvisi e non lineari delle frequenze modali che imitano le firme del danno strutturale, generando falsi allarmi e una errata identificazione delle reali anomalie strutturali. Per affrontare tali criticità, questa tesi propone un quadro di rilevamento delle anomalie non supervisionato, formulato come una pipeline modulare che integra l’apprendimento della rappresentazione di base e l’estrazione dei residui tramite un Autoencoder (AE) con la modellazione relazionale e temporale basata su Graph Neural Network (GNN). Tale integrazione dà origine a un framework ibrido di apprendimento residuo-a-grafo, denominato AEGNN, progettato per migliorare la robustezza rispetto alla variabilità indotta da fattori ambientali. Il metodo proposto è valutato utilizzando serie temporali a lungo termine delle frequenze modali di due strutture a ponte soggette a severi cambiamenti ambientali associati a effetti di congelamento. I risultati dimostrano che il framework AEGNN è in grado di separare efficacemente il comportamento strutturale di riferimento dai regimi alterati dall’ambiente, migliorando significativamente l’affidabilità del monitoraggio basato sulle frequenze modali in condizioni di gelo.