Le strategie di monitoraggio strutturale delle ferrovie si stanno spostando dai sensori puntuali, come estensimetri e accelerometri, verso sistemi in fibra ottica distribuita (DFOS) capaci di fornire misure continue e ad alta risoluzione lungo chilometri di tracciato. È la prospettiva da cui parte una rassegna critica pubblicata su Infrastructures (Vol. 11, articolo 277, doi: 10.3390/infrastructures11080277), firmata da Shima Taheri, Mohammad Siahkouhi, Ali Moghimi e Maria Rashidi, che fa il punto su componenti, meccanismi fisici, applicazioni in campo e limiti ancora aperti della tecnologia.
Come funziona una catena di misura DFOS
Un sistema DFOS per structural health monitoring ferroviario si compone di tre elementi: un’unità interrogatrice, i cavi in fibra ottica installati lungo l’infrastruttura e i sistemi di acquisizione dati. Il principio di misura si basa sul backscattering della luce nella fibra, con tre meccanismi distinti che definiscono il comportamento del sistema: scattering di Rayleigh, di Brillouin e di Raman. Ciascuno presenta compromessi differenti in termini di risoluzione spaziale, portata di sensing e sensibilità alla grandezza misurata, quindi la scelta del meccanismo dipende dall’applicazione e dalla scala del monitoraggio richiesto.
Dalla sede ferroviaria alle gallerie: il quadro applicativo
Il campo d’impiego documentato dalla rassegna copre le principali componenti di un’infrastruttura ferroviaria. I casi analizzati riguardano il monitoraggio di binari e traversine, la valutazione dello stato di salute dei ponti, il controllo dei rivestimenti delle gallerie e la stabilità dei rilevati. Quest’ultimo ambito, il monitoraggio dei rilevati ferroviari, viene indicato come l’applicazione principale della tecnologia.
Per chi opera su opere d’arte, il messaggio operativo è che la stessa architettura di sensing può estendersi a tipologie strutturali molto diverse, dalla sovrastruttura del binario al manufatto enterrato, con un unico filo conduttore: la distribuzione continua della misura lungo l’opera, impossibile da ottenere con sensori puntuali convenzionali.
Intelligenza artificiale sui dati DFOS
Il flusso dati generato dai sistemi distribuiti si presta all’integrazione con tecniche di intelligenza artificiale e machine learning. La rassegna raccoglie studi recenti in cui l’accuratezza di rilevamento ha superato il 97%, un risultato che sposta l’attenzione dall’acquisizione del segnale alla sua elaborazione automatica, aspetto decisivo su reti con tracciati estesi.
I nodi ancora aperti
La tecnologia non è esente da criticità. La rassegna individua quattro ostacoli principali alla diffusione su larga scala:
- costo elevato delle unità interrogatrici;
- volumi dati molto grandi da gestire;
- complessità di installazione negli scenari di retrofit su infrastrutture esistenti;
- rumore ambientale legato alle velocità operative dei treni.
Le priorità di ricerca
Sulle criticità si innestano le direzioni di sviluppo individuate dagli autori: hardware di interrogazione a costi ridotti, pipeline di elaborazione automatica dei segnali, integrazione con digital twin delle infrastrutture ferroviarie e definizione di framework prestazionali standardizzati. Un percorso che, se consolidato, potrebbe accelerare l’adozione su larga scala dei sistemi DFOS nelle reti ferroviarie di tutto il mondo.
Lascia un commento