A Thermo-Mechanically Regularized Variational Autoencoder for Explainable temperature-conditioned structural change detection in bridges

Vibration-based structural health monitoring offers continuous, global and non-destructive surveillance of ageing bridges, but its central obstacle is that the modal frequencies most repeatably measured in long-term operation are strongly confounded by environmental and operational variability, and above all by temperature. This dependence is nonlinear, dominated by a freezing transition near 0 °C that can shift a frequency by more than genuine damage would. A monitor that ignores this signature raises seasonal false alarms, while one that suppresses it too aggressively erases the evidence of change it is meant to detect. The practical requirement is therefore twofold and, on the surface, contradictory: sensitivity to real structural change and robustness against environmental confounding must be achieved simultaneously, and the resulting decision must be interpretable enough to support maintenance and reproducible enough to be trusted across structures. This thesis develops and validates the Thermo-Mechanically Regularized Variational Autoencoder with Conditional Mahalanobis-Squared-Distance detection (TMR-VAE-CMSD), a grey-box framework that addresses this requirement. A variational autoencoder learns the healthy modal-frequency–temperature manifold while being constrained during training by closed-form physical references (an adaptive thermal model that captures the freezing transition, an inter-modal frequency-ratio constraint and an across-mode stiffness-coherence constraint) together with a thermal-disentanglement penalty. Detection is performed not on the latent code itself but on its residual about a physically-identified thermal prediction, through temperature-conditioned Mahalanobis-squared-distance statistics that score only the off-manifold part of the signal. Every hyperparameter and alarm threshold is fixed from healthy data by explicit, leak-free rules, and a white-box layer characterizes any flagged change in physical units. The framework is validated, unchanged, across the three canonical operating regimes of the field: a damage-like change (Z24), a retrofit-induced change (KW51) and an environmental-and-operational-variability null case (Infante D. Henrique). It detects the damage-like change at a zero false-alarm rate, detects and physically characterizes the retrofit at a near-zero false-alarm rate, and produces no spurious alarms on the healthy structure despite pronounced thermal sensitivity. The work demonstrates that embedding a modest amount of well-chosen physics into a data-driven generative model resolves the sensitivity–robustness tension of vibration-based monitoring while keeping the decision explainable and the calibration transferable across structures.

Il monitoraggio dello stato di salute strutturale basato sulle vibrazioni offre una sorveglianza continua, globale e non distruttiva dei ponti soggetti a invecchiamento, ma il suo ostacolo principale è che le frequenze modali, le grandezze misurabili con maggiore ripetibilità nell'esercizio di lungo periodo, risultano fortemente confuse dalla variabilità ambientale e operativa e, soprattutto, dalla temperatura. Questa dipendenza è non lineare ed è dominata da una transizione di congelamento in prossimità di 0 °C, che può spostare una frequenza più di quanto farebbe un danno reale. Un sistema che ignori questa firma genera falsi allarmi stagionali, mentre uno che la sopprima troppo aggressivamente cancella proprio l'evidenza del cambiamento che dovrebbe rilevare. Il requisito pratico è dunque duplice e, in apparenza, contraddittorio: sensibilità al cambiamento strutturale reale e robustezza rispetto al confondimento ambientale devono essere conseguite simultaneamente, e la decisione che ne risulta deve essere sufficientemente interpretabile da supportare la manutenzione e riproducibile da risultare affidabile tra strutture diverse. La presente tesi sviluppa e valida il Thermo-Mechanically Regularized Variational Autoencoder con rilevamento basato sulla distanza di Mahalanobis quadratica condizionata (TMR-VAE-CMSD), un framework grey-box che risponde a tale requisito. Un autoencoder variazionale apprende la varietà frequenza modale–temperatura in condizioni di integrità, vincolato durante l'addestramento da riferimenti fisici in forma chiusa (un modello termico adattivo che cattura la transizione di congelamento, un vincolo sul rapporto di frequenze inter-modale e un vincolo di coerenza della rigidezza tra i modi) e da una penalità di disaccoppiamento termico. Il rilevamento non viene effettuato sul codice latente, bensì sul suo residuo rispetto a una predizione termica identificata fisicamente, attraverso statistiche di distanza di Mahalanobis quadratica condizionate alla temperatura, che valutano unicamente la componente del segnale esterna alla varietà. Ogni iperparametro e ogni soglia di allarme sono fissati dai dati in condizioni di integrità mediante regole esplicite e prive di fughe di informazione, e un livello white-box caratterizza in unità fisiche qualsiasi cambiamento segnalato. Il framework è validato, senza modifiche, attraverso i tre regimi operativi canonici del settore: un cambiamento di tipo danno (Z24), un cambiamento indotto da un intervento di adeguamento (KW51) e un caso nullo di sola variabilità ambientale e operativa (Infante D. Henrique). Esso rileva il cambiamento di tipo danno con un tasso di falsi allarmi nullo, rileva e caratterizza fisicamente l'adeguamento con un tasso prossimo allo zero, e non produce alcun allarme spurio sulla struttura integra nonostante la marcata sensibilità termica. Il lavoro dimostra che incorporare una quantità modesta e ben scelta di fisica in un modello generativo guidato dai dati risolve la tensione tra sensibilità e robustezza del monitoraggio basato sulle vibrazioni, mantenendo la decisione spiegabile e la calibrazione trasferibile tra strutture diverse.