Un coefficiente di determinazione ( R^2 ) pari a 0.956, un errore assoluto medio di 0.38 mm e un MAPE dell’1.52%: sono i valori ottenuti da un modello ibrido di previsione degli uniformamenti di ponti in calcestruzzo, verificato su dati di monitoraggio continuo rilevati su un ponte in cemento armato in esercizio. Lo studio, condotto da Teng Zhao con Yue Zhai, Shangxue Lei, Shengyu Wei, Shaoxun Hao, Yunsheng Zhang e Ruili Zong, è pubblicato su Infrastructures (vol. 11, pag. 289, doi: 10.3390/infrastructures11080289).
Oltre all’accuratezza predittiva, il lavoro merita attenzione per l’impianto che ruota attorno al modello: uno schema di preallarme dinamico che incrocia incrementi di uniformamento, velocità di deformazione e disuniformamenti differenziali, trasformando le stime in uno strumento di identificazione del rischio.
Il nodo di partenza: serie di uniformamento non lineari e multiscala
Prevedere gli uniformamenti di un ponte serve a ricostruire l’evoluzione della deformazione strutturale e a supportare la valutazione delle condizioni dell’opera. L’ostacolo sta nella natura dei dati: le sequenze di monitoraggio presentano un comportamento non lineare, non stazionarietà e fluttuazioni che si sviluppano su più scale temporali. Questa combinazione rende arduo intercettare con precisione la tendenza evolutiva della deformazione, cioè l’informazione decisiva quando si deve giudicare lo stato di un manufatto.
VMD, TCN e BiLSTM: l’architettura in tre stadi
L’impianto si articola in tre fasi complementari. Interviene per prima la Variational Mode Decomposition (VMD), che scompone la serie di uniformamento monitorata in più componenti con caratteristiche frequentiali differenti. È la risposta diretta alla natura multiscala dei segnali: separare le componenti in funzione della frequenza rende più leggibili sia le fluttuazioni rapide sia le derive lente che, sommate, complicano la lettura della serie grezza.
La seconda fase è affidata alla Temporal Convolutional Network (TCN), incaricata di estrarre le caratteristiche locali di variazione temporale: l’operatore convoluzionale, per costruzione, lavora bene sui pattern che si sviluppano su brevi porzioni della sequenza. Alla Bidirectional Long Short-Term Memory (BiLSTM) è demandato il compito di catturare le dipendenze temporali di lungo periodo, con una lettura della serie in entrambe le direzioni, e di restituire la previsione dell’uniformamento.
La logica complessiva è quella di affiancare due architetture con orizzonti diversi, la convoluzione per le dinamiche di breve termine e la rete ricorrente bidirezionale per le dipendenze estese nel tempo. È dalla combinazione dei due contributi che emerge la stima finale della deformazione.
Incremento, velocità e disuniformamento differenziale: le soglie di allerta
Dalle risposte di uniformamento previste derivano gli indicatori su cui poggia il sistema di preallarme: l’incremento di uniformamento, la velocità di uniformamento e il disuniformamento differenziale. I tre parametri, incorporati nel framework a valle della previsione, definiscono un metodo di allerta dinamica pensato per l’identificazione del rischio di deformazione.
Il punto distintivo sta nel fatto che le soglie attingono alle stime del modello e non alle sole misure: la previsione diventa direttamente la base su cui valutare il rischio associato alla deformazione in corso.
La verifica su un ponte in cemento armato in esercizio
La validazione è stata condotta su dati di monitoraggio continuo di un ponte in cemento armato in servizio. Rispetto ai modelli benchmark presi come termine di confronto, il framework ibrido registra prestazioni predittive superiori, con gli indici di errore sintetizzati nella tabella seguente.
| Indice | Grandezza | Valore |
|---|---|---|
| ( R^2 ) | coefficiente di determinazione | 0.956 |
| MAE | errore assoluto medio | 0.38 mm |
| RMSE | radice dell’errore quadratico medio | 0.51 mm |
| MAPE | errore percentuale medio assoluto | 1.52% |
Scenari anomali simulati per la prova dell’allerta
Per valutare la capacità di risposta dell’impianto di allerta in condizioni di deformazione differenti, i ricercatori hanno costruito scenari di uniformamento anomalo simulati. L’esito dei test conferma che il framework integra in modo effettivo la previsione degli uniformamenti con la valutazione del rischio di deformazione, delineando un approccio potenziale per il monitoraggio dei dissetti e per l’analisi di preallarme sui ponti.
Per la pratica del monitoraggio, il punto che merita attenzione è la continuità tra stima e allerta: gli indicatori di rischio attingono alle previsioni del modello e non alle sole misure. È questo collegamento, più dei singoli valori di accuratezza, a rendere l’impianto interessante per chi deve tradurre i dati di deformazione in decisioni di sorveglianza sulle opere esistenti.
Lascia un commento