L’applicazione del machine learning al monitoraggio strutturale dei ponti (SHM, Structural Health Monitoring) si scontra con un ostacolo operativo ben preciso: la scarsità di dataset ampi, diversificati e correttamente etichettati. A questo problema è dedicato uno studio di Matvei Sinden e Alejandro Jiménez Rios, pubblicato sulla rivista Infrastructures, che propone un framework per la generazione di frequenze modali sintetiche a partire da un modello ad elementi finiti calibrato del ponte S101. L’obiettivo è consentire la prototipazione di algoritmi di rilevamento dei danni in assenza di dati reali adeguati, un tema che interessa direttamente chi lavora su monitoraggio strutturale, modellazione numerica e gestione dei dati tecnici delle opere.
Perché i dati reali non bastano
La raccolta di dati di addestramento di alta qualità da infrastrutture in esercizio è intrinsecamente difficile. I manufatti critici vengono in genere riparati immediatamente dopo la rilevazione di un difetto: questa prassi impedisce di accumulare osservazioni sui diversi meccanismi di danno e lascia i dataset disponibili privi degli scenari necessari ad addestrare e validare algoritmi di classificazione robusti.
Il framework di generazione sintetica
Il metodo proposto genera frequenze modali sintetiche utilizzando un modello ad elementi finiti (FE) calibrato del ponte S101. Le incertezze aleatorie e la variabilità ambientale sono incorporate attraverso due canali:
- la variazione stocastica delle proprietà dei materiali;
- l’applicazione di carichi termici derivati da una registrazione climatica di 20 anni.
Il risultato è un dataset che combina incertezza strutturale e variabilità ambientale, due fattori che nei dati di monitoraggio reali agiscono simultaneamente e che l’approccio sintetico permette di controllare in modo esplicito.
Effetti termici contro segnali di danno
L’analisi del dataset generato ha portato a una constatazione rilevante: i carichi termici simulati hanno indotto variazioni di frequenza che spesso superavano quelle causate da danni strutturali minori. Questo esito conferma la necessità di addestrare i modelli su dati rappresentativi anche dal punto di vista ambientale, perché le oscillazioni di origine termica possono raggiungere o superare l’entità dei segnali associati a un danno lieve.
Un dataset aperto come benchmark
Il contributo principale dello studio è un dataset sintetico open access, conforme ai principi FAIR (Findable, Accessible, Interoperable, Reusable), inteso come benchmark standardizzato per la comunità di ricerca SHM in condizioni di incertezza strutturale e ambientale combinata. La disponibilità di un riferimento comune consente di valutare e confrontare algoritmi di damage detection su dati coerenti e riproducibili.
Verifica con due approcci di machine learning
Per dimostrare l’utilità dei dati generati, gli autori hanno valutato le prestazioni di due algoritmi sul dataset sintetico: un multi-layer perceptron supervisionato e un algoritmo di clustering k-means non supervisionato. L’approccio supervisionato ha raggiunto una accuratezza massima di classificazione pari a 1,00.
Il limite del modello lineare
Il framework mette in luce anche un limite di modellazione fondamentale. L’approccio ad elementi finiti lineare non è riuscito a replicare la risposta fisica in scenari di cedimento della pila (pier settlement), producendo variazioni di frequenza di un ordine di grandezza inferiori a quelle osservate sperimentalmente. È una condizione da tenere presenti chi intende utilizzare modelli lineari calibrati per generare dati di addestramento destinati a scenari di danno di questa natura.
Riferimenti
Sinden, M., Jiménez Rios, A., Synthetic Data Generation for the Prototyping of Bridge Damage Detection Algorithms, Infrastructures, Vol. 11, Pages 293, doi: 10.3390/infrastructures11080293
Lascia un commento