Towards autonomous structural health monitoring: from supervised learning to generative Artificial Intelligence

This PhD thesis presents the development of advanced data-driven methods for Structural Health Monitoring (SHM) of thin-walled composite structures. The research addresses the critical challenges hindering the widespread industrial adoption of ultrasonic guided wave-based SHM: the subjectivity of manual feature extraction, data scarcity, computational inefficiency, and environmental variability. The research trajectory moves from supervised learning to unsupervised learning and finally to Generative Artificial Intelligence (GenAI). Initially, a supervised convolutional neural network framework is proposed for processing the full wave signals, concurrently leveraging a pseudo-damage approach to overcome the lack of experimental data for training. Subsequently, the research progresses into unsupervised learning to eliminate the dependence on labeled damage data. A framework based on Convolutional Autoencoders (CAEs) is developed to localize damage using only healthy baseline data. To improve computational scalability, this approach is further expanded by comparing CAEs with conditional generative adversarial networks. Finally, the issue of environmental confounding factors is addressed by employing variational autoencoders to compensate for the effects of temperature variations on diagnostic signals. The proposed methods are validated on extensive experimental data involving composite plates and full-scale aerospace components, demonstrating that GenAI and unsupervised learning can provide robust, accurate, and efficient damage localization tools.

Questa tesi di dottorato presenta lo sviluppo di metodi avanzati basati sui dati per il Monitoraggio della Salute Strutturale (SHM) di strutture composite a parete sottile. La ricerca affronta le sfide critiche che ostacolano la diffusa adozione industriale dello SHM basato su onde guidate ultrasoniche: la soggettività nell'estrazione manuale delle feature, la scarsità di dati, l'inefficienza computazionale e la variabilità ambientale. Il percorso di ricerca si muove dall'apprendimento supervisionato a quello non supervisionato, fino ad arrivare all'Intelligenza Artificiale Generativa (GenAI). Inizialmente, viene proposto un framework basato su reti neurali convoluzionali supervisionate per l'elaborazione dei segnali d'onda completi, sfruttando contestualmente un approccio a pseudo-danno per superare la mancanza di dati sperimentali per l'addestramento. Successivamente, la ricerca avanza verso l'apprendimento non supervisionato per eliminare la dipendenza da dati di danno etichettati. Viene sviluppato un framework basato su Autoencoder Convoluzionali (CAE) per localizzare il danno utilizzando esclusivamente dati baseline in condizioni sane. Per migliorare la scalabilità computazionale, questo approccio viene ulteriormente esteso confrontando i CAE con le reti generative avversariali condizionali. Infine, il problema dei fattori ambientali confondenti viene affrontato impiegando autoencoder variazionali per compensare gli effetti delle variazioni di temperatura sui segnali diagnostici. I metodi proposti sono validati su estesi dati sperimentali riguardanti piastre composite e componenti aerospaziali in scala reale, dimostrando che la GenAI e l'apprendimento non supervisionato possono fornire strumenti di localizzazione del danno robusti, accurati ed efficienti.