Un framework di apprendimento automatico multi-task con vincoli fisici e processi semi-Markov per la valutazione delle condizioni dei ponti, la previsione del degrado e la prioritizzazione della manutenzione basata sul rischio

Un’accuratezza di previsione del 95,4% sullo stato di salute di un ponte a tre anni di distanza, accompagnata da un’accuratezza pesata del 99,1%: sono i numeri conseguiti dal modello semi-Markov proposto in un lavoro pubblicato sulla rivista Infrastructures (vol. 11, art. 254, doi: 10.3390/infrastructures11070254) a firma di Zhihui Feng, Yuchen Zhao, Liangqi Zhang, Fulei Xu, Xiaojun Li, Zhiqiang Liang, Yufeng Guo e Hui Zhang.

Il framework affronta in sequenza tre compiti: la valutazione delle condizioni del ponte a partire dai rilievi d’ispezione, la previsione del degrado su orizzonte pluriennale e la prioritizzazione degli interventi di manutenzione secondo il rischio.

Giudizio esperto e regole euristiche: i limiti della valutazione convenzionale

La valutazione dello stato di salute di un ponte e l’anticipazione della sua evoluzione pesano direttamente sulla sicurezza del traffico e sulla pianificazione della manutenzione. La prassi consolidata, però, si fonda in larga parte sul giudizio dell’esperto e su regole euristiche. Da qui due conseguenze: l’esito perde in oggettività e la condizione dell’opera resta difficile da proiettare su orizzonti temporali ampi, proprio ciò che una programmazione pluriennale degli interventi richiede.

Classificazione multi-task di grado di salute, difetto e severità

Il punto d’ingresso dei dati è rappresentato dai record di ispezione, cioè dalle voci relative agli elementi esaminati e ai difetti rilevati durante i sopralluoghi. Il modello di classificazione è multi-task e predice congiuntamente tre grandezze: il grado di salute dell’opera (health grade), la tipologia di difetto e la severità. Le informazioni circolano tra i tre compiti di apprendimento, una condivisione trasversale che migliora la robustezza della valutazione complessiva.

La scala di riferimento è quella del Highway Bridge Technical Condition Rating Code, il codice di classificazione dello stato tecnico dei ponti.

Previsione triennale del degrado e prioritizzazione degli interventi

Gli stati di salute stimati dal modello alimentano quindi un semi-Markov vincolato da considerazioni fisiche, incaricato di proiettare il degrado dell’opera su un arco di tre anni. La previsione non è un punto d’arrivo: lo stato attuale e quello previsto concorrono insieme alla prioritizzazione degli interventi, così che la graduatoria della manutenzione rifletta sia la condizione presente sia quella attesa di ciascuna opera.

Risultati su dati reali di ispezione

La campagna di verifica è stata condotta su dati reali di ispezione di ponti. In fase di test il modulo di classificazione restituisce le accuratezze riassunte di seguito.

La concordanza con i giudizi di riferimento è espressa da un kappa di Cohen pari a 0,872. Sul versante previsionale, il semi-Markov raggiunge un’accuratezza del 95,4% sull’orizzonte triennale, con un’accuratezza pesata del 99,1%. Il quadro si completa con studi comparativi rispetto a modelli alternativi e con analisi di ablazione, che supportano l’efficacia dell’impianto nella gestione del ciclo di vita dei ponti.

Per chi gestisce patrimoni di opere d’arte, l’aspetto più rilevante è la continuità della filiera: dai record d’ispezione si passa a uno stato classificato, dallo stato classificato a una previsione pluriennale, dalla previsione a una graduatoria di interventi. Un percorso che sposta il baricentro della valutazione dal giudizio discrezionale verso i dati raccolti in ispezione e verso la scala di rating del codice, con la previsione del degrado a tre anni come orizzonte operativo di riferimento.