Detection of real failure mechanism in vibration-based monitoring of bridge structures under environmentally-oriented false failure signatures

Vibration-based structural health monitoring tracks a bridge’s natural frequencies to detect damage, but those frequencies also change with the weather. Freezing can be especially troublesome: when the temperature drops below zero, the structure, its bearings, and the surrounding ground may stiffen, and the frequencies rise — on some structures abruptly and nonlinearly. Classical detectors read this reversible rise as damage and raise false alarms, which undermines confidence in the monitoring system. This thesis proposes an unsupervised framework that suppresses these false alarms while still detecting genuine structural change, and that works from modal frequencies alone — the temperature is never given to the model. A Gaussian Mixture Model first groups the healthy frequencies into local operational regimes, so that cold-weather behaviour is separated from mild-weather behaviour. One Normalizing-Flow Variational Autoencoder is then trained on each regime, and a new measurement is scored by all of them and assigned its best-fit score. The alarm threshold is set without labels by fitting an extreme-value model to the upper tail of the healthy scores, and the result is reported through two interpretable indicators: a demand-to-limit ratio and a per-phase risk level. The framework was evaluated, using one fixed pipeline, on three cases of increasing environmental complexity: a finite-element model with nonlinear freezing and no damage, a numerical reinforced-concrete arch bridge with an approximately linear temperature dependence and progressive damage, and the Z24 benchmark highway bridge with nonlinear freezing and real pier-settlement damage. On both cases with a structural change the framework detected it almost perfectly (F1-score ≥ 0.99, AUC ≥ 0.999). Its freezing-robustness benefit, however, proved conditional on the environment being nonlinear: on Z24 it cut the freezing false-alarm rate from about 32% to under 1.5%, and on the finite-element model from 22.4% to 9.0%, whereas on the approximately linear concrete bridge the classical Mahalanobis detector was already robust (3.2%) and preferable. An objective decomposition of the anomaly score traced the concrete-bridge false alarms to the latent (KL) term rather than the reconstruction error. The results show that representing healthy behaviour through cluster-specific models lets a monitoring system absorb nonlinear environmental variability — including freezing — without sacrificing sensitivity to genuine structural change and without relying on temperature measurements, and they delineate when such regime-specific modelling helps: the model complexity should match the environmental complexity.

Il monitoraggio strutturale basato sulle vibrazioni segue le frequenze proprie di un ponte per individuare il danno, ma queste frequenze variano anche con le condizioni ambientali. Il gelo può essere particolarmente problematico: quando la temperatura scende sotto lo zero, la struttura, gli appoggi e il terreno circostante possono irrigidirsi e le frequenze aumentano — in alcune strutture in modo brusco e non lineare. I rivelatori classici interpretano questo aumento reversibile come danno e generano falsi allarmi, compromettendo la fiducia nel sistema di monitoraggio. Questa tesi propone un metodo non supervisionato che riduce tali falsi allarmi pur continuando a individuare i cambiamenti strutturali reali, e che utilizza soltanto le frequenze modali — la temperatura non viene mai fornita al modello. Un modello a miscela di gaussiane (GMM) raggruppa dapprima le frequenze dello stato integro in regimi operativi locali, separando il comportamento in condizioni di gelo da quello in condizioni miti. Per ciascun regime viene quindi addestrato un autoencoder variazionale con flussi di normalizzazione (NF-VAE); un nuovo campione viene valutato da tutti i modelli e gli viene assegnato il punteggio migliore. La soglia di allarme è fissata senza etichette, adattando un modello dei valori estremi alla coda superiore dei punteggi dello stato integro, e il risultato è espresso attraverso due indicatori interpretabili: un rapporto domanda-limite e un livello di rischio per fase. Il metodo è stato valutato, con un’unica configurazione, su tre casi di crescente complessità ambientale: un modello agli elementi finiti con gelo non lineare e senza danno, un ponte ad arco in calcestruzzo armato (numerico) con dipendenza dalla temperatura approssimativamente lineare e danno progressivo, e il ponte autostradale di riferimento Z24 con gelo non lineare e un reale danno da cedimento della pila. In entrambi i casi con un cambiamento strutturale il metodo lo ha individuato in modo quasi perfetto (F1 ≥ 0,99, AUC ≥ 0,999). Il vantaggio in termini di robustezza al gelo, tuttavia, si è rivelato condizionato alla non linearità dell’ambiente: sullo Z24 ha ridotto il tasso di falsi allarmi dovuti al gelo da circa il 32% a meno dell’1,5%, e sul modello agli elementi finiti dal 22,4% al 9,0%, mentre sul ponte in calcestruzzo approssimativamente lineare il rivelatore classico di Mahalanobis era già robusto (3,2%) e preferibile. Una decomposizione oggettiva del punteggio ha ricondotto i falsi allarmi del ponte in calcestruzzo al termine latente (KL) piuttosto che all’errore di ricostruzione. I risultati mostrano che rappresentare il comportamento dello stato integro attraverso modelli specifici per ciascun regime consente di assorbire la variabilità ambientale non lineare — incluso il gelo — senza rinunciare alla sensibilità ai cambiamenti strutturali reali e senza ricorrere a misure di temperatura, e delimitano quando tale modellazione per regimi è utile: la complessità del modello deve corrispondere alla complessità ambientale.