![\"Appoggi\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/1-masera.jpg\")
Lo Structural Health Monitoring (SHM)<\/h4>\n
Il monitoraggio strutturale utilizza il campionamento e l\u2019analisi di dati provenienti dalla struttura strumentata per valutare lo stato di salute dell\u2019opera in tempo reale, evidenziando le caratteristiche che possono essere testimoni di un deterioramento dell\u2019opera in qualche sua parte.<\/p>\n
Questo tipo di monitoraggio si differenzia in model based o data based [1], a seconda della natura delle informazioni inerenti alla struttura \u201csana\u201d.<\/p>\n
Infatti, nel caso di monitoraggio basato su un modello si assume che le informazioni relative allo stato non danneggiato provengano da un modello agli EF della struttura reale, mentre nel caso di monitoraggio basato sui dati l\u2019analisi \u00e8 centrata sulla risposta strutturale osservata.<\/p>\n
Le tecniche di Machine Learning relative al monitoraggio strutturale applicano le conoscenze di Intelligenza Artificiale (AI) [2] per sviluppare degli algoritmi in grado di identificare se la struttura sia danneggiata o meno.<\/p>\n
Il problema non \u00e8 da sottovalutare, in quanto le grandi infrastrutture come ponti e viadotti sono costituite da svariate caratteristiche che rendono l\u2019individuazione del danno particolarmente ostica:<\/p>\n
- \n
- la risposta strutturale \u00e8 influenzata da carichi ambientali (componenti del campo termico, vento), azioni di esercizio (traffico) e dal comportamento del materiale strutturale (reologia del calcestruzzo);<\/li>\n
- ogni caso studiato \u00e8 unico, anche a causa della storia di carico a cui \u00e8 stata sottoposta durante la sua vita funzionale, dei materiali strutturali impiegati e della tecnica costruttiva adottata per la sua realizzazione;<\/li>\n
- i meccanismi di degrado sono lenti e impiegano anni a sviluppare condizioni critiche;<\/li>\n
- le variabili oggetto del monitoraggio sono condizionate da incertezze.<\/li>\n<\/ul>\n
I passaggi chiave per lo sviluppo di un efficace sistema di monitoraggio sono l\u2019identificazione delle caratteristiche da monitorare che possono massimizzare la risposta della struttura affetta da degrado, l\u2019adozione di una famiglia di algoritmi idonea e la calibrazione di tali algoritmi.<\/p>\n
I processi gaussiani<\/h4>\n
I processi gaussiani sono una famiglia di algoritmi che pu\u00f2 essere estremamente utile al fine della predizione del valore di una variabile in funzione del dato da cui essa dipende. Rappresentano processi stocastici, completamente descritti dalle loro funzioni di media e varianza, e utilizzati per definire distribuzioni a priori in inferenze bayesiane [3].<\/p>\n
Considerando infatti un insieme di variabili aleatorie<\/p>\n
![\"\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/Formula-1-masera.jpg\")
<\/p>\nil processo stocastico \u00e8 definito con la distribuzione di probabilit\u00e0 di ottenere un insieme di variabili<\/p>\n
![\"\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/Formula-2-masera.jpg\")
<\/p>\ncoerenti con i dati di input.<\/p>\n
\n\n<\/p>\n\n \n <\/a>\n <\/a>\n <\/span>\n <\/div>\n
<\/div>\n\n- \n
- \n
\n ![\"monitoraggio\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/2-masera.jpg\")
<\/a>\n \n 2 masera<\/div>\n2. La sezione longitudinale del caso studio<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"carreggiata\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/3-masera.jpg\")
<\/a>\n \n 3 masera<\/div>\n3. Lo schema dei vincoli<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"modello](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/4-masera.jpg\")
<\/a>\n \n 4 masera<\/div>\n4. La nomenclatura dell\u2019architettura di monitoraggio<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n <\/ul>\n <\/div>\n\n \n \n \n 1 <\/a>\n \n 2 <\/a>\n \n 3 <\/a>\n <\/span>\n \n <\/span>\n <\/div>\n <\/div>\n\nNella fase di calibrazione (training) essi studiano un insieme di coppie di variabili (una dipendente e una indipendente) e la loro relazione, per poi essere in grado di predire in funzione della variabile indipendente il valore della seconda variabile, con una certa confidenza.<\/p>\n
Descrizione del caso studio<\/h4>\n
Il viadotto in oggetto \u00e8 composto da due carreggiate indipendenti ciascuna formata da tre campate di diversa luce. Le pile in calcestruzzo strutturale hanno altezza dallo spiccato delle fondazioni di oltre 35 m.<\/p>\n
Il viadotto \u00e8 formato da un cassone unicellulare avente altezza variabile, da un minimo di 3 m nella sezione di pila di giunto a un massimo di 5 m nella sezione di mezzeria della campata centrale. La larghezza dell\u2019impalcato \u00e8 costante e pari a 12,89 m, comprendente carreggiata, e barriere di sicurezza in calcestruzzo.<\/p>\n
Sulle pile 1, 3 e 4 sono allocati due appoggi in PTFE scorrevoli e un sistema di isolamento sismico, mentre gli appoggi fissi sono allocati sulla pila 2. Il monitoraggio presenta come obiettivo l\u2019identificazione dello stato di corretto funzionamento degli appoggi mobili in PFTE.<\/p>\n
Con questo obiettivo, \u00e8 stato deciso di applicare un totale di 16 estensimetri, 12 in direzione longitudinale e quattro in direzione trasversale, oltre a due sensori di rilevamento della temperatura, che sono stati posizionati nella parte inferiore del cassone, carreggiata Nord, pile 1 e 4.<\/p>\n
La capacit\u00e0 degli estensimetri \u00e8 stata valutata sulla base delle temperature attese sul sito di costruzione. I dati sono immagazzinati in un cloud accessibile da remoto tramite delle scatole di acquisizione presenti nella carreggiata Nord, nelle pile 1 e 4.<\/p>\n
\n\n<\/p>\n\n \n <\/a>\n <\/a>\n <\/span>\n <\/div>\n
<\/div>\n\n- \n
- \n
\n ![\"Machine](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/5A-e-5B-masera.jpg\")
<\/a>\n \n 5A e 5B masera<\/div>\n5A e 5B. Temperatura e spostamenti misurati della pila X, carreggiata Nord<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"carichi](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/6A-e-6B-masera.jpg\")
<\/a>\n \n 6A e 6B masera<\/div>\n6A e 6B. Temperatura e spostamenti misurati della pila XII, carreggiata Nord<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"Pila\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/7A-e-7B-masera.jpg\")
<\/a>\n \n 7A e 7B masera<\/div>\n7A e 7B. Temperatura e spostamenti misurati della pila XIII, carreggiata Nord<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n <\/ul>\n <\/div>\n\n \n \n \n 1 <\/a>\n \n 2 <\/a>\n \n 3 <\/a>\n <\/span>\n \n <\/span>\n <\/div>\n <\/div>\n\nData la mancanza di elettricit\u00e0, nei pressi della struttura \u00e8 stato necessario disporre un pannello solare per caricare la batteria di ogni scatola. Questo ha causato una limitazione per quanto riguarda il campionamento di informazioni, che deve essere programmato in modo tale da non intaccare eccessivamente la carica della batteria. Ci\u00f2 ha comportato la necessit\u00e0 di limitare la raccolta di un dato ogni 30 minuti.<\/p>\n
Il preprocessing<\/h4>\n
I dati sono trasmessi dalla centralina di acquisizione a un cloud, dal quale sono resi accessibili da remoto. Una volta scaricati \u00e8 necessario eseguire un primo controllo sulla correttezza del dato acquisito e verificare la presenza di valori che possono testimoniare malfunzionamenti dell\u2019impianto di monitoraggio.<\/p>\n
Per individuare la presenza di outliers possiamo adottare un approccio statistico, quindi imporre la massima escursione tra due campionamenti consecutivi in funzione della distribuzione gaussiana della variabile nelle due ore precedenti la data misurazione.<\/p>\n
I dati in ingresso devono inoltre essere ridimensionati in modo tale da permettere un\u2019analisi tra sensori di diverso tipo [4]. Infine, si \u00e8 valutata la correlazione tra spostamenti e temperatura come si osserva in figura, anche tramite la valutazione del coefficiente di Pearson, che varia tra 0,8 e 1.<\/p>\n
Per evitare di riferirsi in fase preliminare a un modello FEM, il comportamento meccanico di ogni appoggio \u00e8 rappresentato in un modello semplificato da una rigidezza equivalente, che quindi diventa la variabile principale da dover tarare e controllare nel sistema di monitoraggio.<\/p>\n
\n\n<\/p>\n\n \n <\/a>\n <\/a>\n <\/span>\n <\/div>\n
<\/div>\n\n- \n
- \n
\n ![\"processi](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/8A-e-8B-masera.jpg\")
<\/a>\n \n 8A e 8B masera<\/div>\n8A e 8B. Temperatura e spostamenti misurati della pila X, carreggiata Sud<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"inferenze](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/9A-e-9B-masera.jpg\")
<\/a>\n \n 9A e 9B masera<\/div>\n9A e 9B. Temperatura e spostamenti misurati della pila XII, carreggiata Sud<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"degrado\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/10A-e-10B-masera.jpg\")
<\/a>\n \n 10A e 10B masera<\/div>\n10A e 10B. Temperatura e spostamenti misurati della pila XIII, carreggiata Sud<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n <\/ul>\n <\/div>\n\n \n \n \n 1 <\/a>\n \n 2 <\/a>\n \n 3 <\/a>\n <\/span>\n \n <\/span>\n <\/div>\n <\/div>\n\nLo schema statico analogo \u00e8 assunto essere una trave su quattro appoggi (ogni appoggio corrisponde a una pila), quindi tre carrelli che rappresentano le pile con appoggi multidirezionali e una cerniera in corrispondenza della pila con appoggi fissi.<\/p>\n
Si \u00e8 ipotizzato che l\u2019impalcato sia soggetto solo alla componente uniforme del campo termico, causando, quindi, uno sforzo normale nell\u2019elemento calcolabile tramite la seguente relazione<\/p>\n
![\"\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/Formula-3-masera.jpg\")
<\/p>\ndove:<\/p>\n
- \n
- \u03b1 [\u00b0C-1] = coefficiente di espansione termica del materiale dell\u2019impalcato;<\/li>\n
- \u0394T [\u00b0C] = variazione termica uniforme agente nella sezione;<\/li>\n
- A [mm2] = sezione trasversale dell\u2019impalcato;<\/li>\n
- E [kN\/mm2] = modulo di elasticit\u00e0 del materiale.<\/li>\n<\/ul>\n
Nella realt\u00e0, invece, il campo termico \u00e8 formato anche da un gradiente di temperatura non lineare agente lungo l\u2019altezza del cassone che varia con una funzione del quinto grado.<\/p>\n
Tale modello sar\u00e0 usato nella fase successiva di maggior dettaglio [5].<\/p>\n
Ogni carrello non \u00e8 lasciato libero di muoversi, ma viene considerato collegato ad una molla di opportuna rigidezza K. Lo scopo del monitoraggio sar\u00e0 quello di verificare che detta rigidezza sia in linea con quella fissata in progetto; diversamente, si pu\u00f2 pensare a un cambiamento dello schema statico [6].\u00a0<\/strong><\/p>\n
\n\nAppoggi<\/p>\n\n \n <\/a>\n <\/a>\n <\/span>\n <\/div>\n
<\/div>\n\n- \n
- \n
\n ![\"Appoggi\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/11-masera.jpg\")
<\/a>\n \n 11 masera<\/div>\n11. Lo schema statico del modello analitico<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"Appoggi\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/12A-e-12B-masera.jpg\")
<\/a>\n \n 12A e 12B masera<\/div>\n12A e 12B. Regressione gaussiana: dati della pila X, carreggiata Nord<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"campate\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/13A-e-13B-masera.jpg\")
<\/a>\n \n 13A e 13B masera<\/div>\n13A e 13B. Regressione gaussiana: dati della pila XII, carreggiata Nord<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"Appoggi\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/14A-e-14B-masera.jpg\")
<\/a>\n \n 14A e 14B masera<\/div>\n14A e 14B. Regressione gaussiana: dati della pila XIII, carreggiata Nord<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"Appoggi\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/15A-e-15B-masera.jpg\")
<\/a>\n \n 15A e 15B masera<\/div>\n15A e 15B. Regressione gaussiana: dati della pila X, carreggiata Sud<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"Appoggi\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/16A-e-16B-masera.jpg\")
<\/a>\n \n 16A e 16B masera<\/div>\n16A e 16B. Regressione gaussiana: dati della pila XII, carreggiata Sud<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n- \n
\n ![\"Appoggi\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/17A-e-17B-masera.jpg\")
<\/a>\n \n 17A e 17B masera<\/div>\n17A e 17B. Regressione gaussiana: dati della pila XIII, carreggiata Sud<\/div>\n <\/figcaption>\n <\/figure>\n <\/li>\n <\/ul>\n <\/div>\n\n \n \n \n 1 <\/a>\n \n 2 <\/a>\n \n 3 <\/a>\n \n 4 <\/a>\n \n 5 <\/a>\n \n 6 <\/a>\n \n 7 <\/a>\n <\/span>\n \n <\/span>\n <\/div>\n <\/div>\n\nIl postprocessing<\/h4>\n
I dati sono suddivisi in due gruppi, uno di calibrazione (training) e uno di verifica (test), in modo tale da poter paragonare l\u2019evoluzione della struttura nel tempo. I primi 15 giorni di monitoraggio fanno parte della parte di calibrazione, mentre tutti i dati raccolti formano il gruppo di test. Il procedimento da effettuare \u00e8 lo stesso in entrambi i casi.<\/p>\n
Tramite l\u2019equazione [1] viene calcolata la forza fittizia agente nell\u2019appoggio, causata dalle temperature registrate. Una regressione gaussiana effettuata tra forza normale agente nell\u2019elemento e spostamento misurato identifica la funzione di regressione e intervallo di confidenza, dove \u00e8 possibile registrare il 95% dei dati.<\/p>\n
La regressione dei dati evidenzia il comportamento non lineare dell\u2019appoggio nei confronti della temperatura. Le informazioni dedotte dal processo gaussiano sono inerenti alla distribuzione media dei dati e alla loro dispersione, ed \u00e8 quindi possibile definire le rigidezze Kmax<\/sub> e Kmin<\/sub> che massimizzano l\u2019intervallo di confidenza del 95%, e la rigidezza media Kmean<\/sub>. Con questi tre valori definiti per ogni sensore nella fase di training \u00e8 identificato un fuso utile al paragone nella fase di test.<\/p>\n
La valutazione delle rigidezze pu\u00f2 essere un ottimo approccio di visualizzazione dello stato di salute degli appoggi, ma semplifica enormemente la visualizzazione dei dati e quindi pu\u00f2 in alcuni casi necessitare di una doppia verifica nel caso siano registrati valori anomali.<\/p>\n
Questo secondo tipo di analisi \u00e8 pi\u00f9 impegnativo dal punto di vista computazionale, ma permette di rendere esplicito il cambiamento nella risposta dell\u2019appoggio, sfruttando appieno la definizione di regressione gaussiana e le fasi di training e di test.<\/p>\n
Viene implementato un algoritmo in grado di predire gli spostamenti dei fessurimetri sulla base del comportamento appreso in fase di training, in modo tale da paragonare il valore predetto wP<\/sub> con quello misurato wM<\/sub> in fase di test. Possono quindi essere apprezzate (se presenti) le differenze o mutazioni, tramite lo scarto \u03b5:<\/p>\n
![\"\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/Formula-4-masera.jpg\")
<\/p>\nTramite questo secondo approccio, le mutazioni di comportamento sono rese pi\u00f9 evidenti e apprezzabili.<\/p>\n
Conclusioni<\/h4>\n
La procedura preliminare di monitoraggio descritta mira a verificare lo stato di funzionamento degli appoggi mobili di un ponte a lastra ortotropa in acciaio.<\/p>\n
Nel caso studio, seppur a poca distanza dal momento di attivazione dei sensori \u00e8 al momento possibile trarre le seguenti conclusioni:<\/p>\n
- \n
- un campionamento pari a un dato ogni 30 minuti \u00e8 sufficiente per poter apprezzare le misurazioni degli spostamenti causati dalla componente uniforme della temperatura;<\/li>\n
- \u00e8 necessario seguire uno stretto protocollo di selezione di dati in ingresso per non utilizzare \u201cdati sporchi\u201d;<\/li>\n
- i processi gaussiani possono essere ritenuti validi per analisi di questo tipo, fornendo dati robusti e ingegneristicamente significativi per lo scopo del monitoraggio;
- \n
- \n
- \n
- \n
- \n
- \n
![\"Appoggi\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/18-masera.jpg\")
<\/a>\n ![\"Appoggi\"](\"https:\/\/www.stradeeautostrade.it\/wp-content\/uploads\/2021\/04\/19-masera.jpg\")
<\/a>\n