Tecniche di model updating e soft computing per l'identificazione dei parametri meccanici e del danno di strutture

A multitude of structures or infrastructures is damaged or degraded due to, for example, a seismic event or the protracted exposure to adverse environmental and atmospheric conditions. This situation may prevent the construction serviceability and, in even more serious cases, may determine its collapse. In this context, vibration-based structural health monitoring became very diffused for the strict relationship existing between dynamic properties and stiffness of the structure, that depends on its health state. Damage detection methods based on data registered by a monitoring system are often supported by the definition of numerical models. They allow, if properly calibrated, a better knowledge of the structure, to obtain more reliable results about the structure safety and to identify possible anomalies through the comparison with the expected behavior. In case of damage, they further enable localization and quantification of damage itself. In the present work, several aspects related to damage detection techniques with the support of numerical models are studied and deepened. Multi objective approach for model updating, typically necessary in problems of structural safety, provides a set of optimal solutions, called Pareto front. The preferred solution has to be selected within this front. In this framework, the author proposes a procedure for the direct computation of the preferred solution, without the need to determine the whole front, by means of the minimization of a single objective function defined according to the criterion of the minimum distance from the equilibrium point. This procedure is validated on several case studies, included the case of the San Felice sul Panaro Fortress, an historical structure strongly damaged by the Emilia-Romagna seism occurred in 2012. Bayesian model updating involves the stochastic modelling of model parameters and errors so that the updating result can be expressed also in terms of uncertainty. About the case of the San Felice sul Panaro Fortress, results, both in terms of parameters and weights attributed to frequencies and mode shapes, are compared with those obtained through bi-objective optimization, analyzing the associated uncertainties. Variants of the classical methodology are presented with the aim of reducing the computational effort, especially for the computation of the updated parameter uncertainties. Model updating methods for damage detection are usually time-consuming and does not enable the real-time identification of a damaged condition. Instead, artificial neural networks ensure a quick identification if they are appropriately calibrated before their use by means of numerical models able to simulate ordinary conditions and damage scenarios. With regard to the case of a concrete/steel mixed railway bridge, two models different for the detail level have been developed. They simulate the “real” structure behavior and that of “the model”, defined starting from the identified modal properties. The last model, simpler, is employed for the generation of the dataset finalized to the training phase. With the first model, more detailed, the experimental data used for the network test are simulated. They unavoidably differ from those of the simplified model, despite it was calibrated. Results show how, in order to have accurate network predictions in the test phase, the residual errors obtained at the end of the calibration must be used to correct the data given in input to the network.

Numerose strutture e infrastrutture si trovano in uno stato di degrado o danneggiamento causato, per esempio, da un evento sismico o dall’esposizione prolungata a condizioni ambientali sfavorevoli. Questa situazione può compromettere la funzionalità dell’opera o, in casi più gravi, portare al collasso della stessa. In questo contesto, il monitoraggio dello stato di salute delle strutture mediante prove dinamiche rappresenta un’attività in crescente diffusione. Le metodologie per l’identificazione del danno basate sui dati acquisti dal sistema di monitoraggio sono spesso supportate dalla definizione di modelli numerici che, opportunamente calibrati, permettono una migliore conoscenza della struttura, di ottenere risultati più affidabili in merito alla valutazione della sicurezza delle strutture e di rilevare possibili condizioni anomale dal confronto con il comportamento atteso. In caso di danno, permettono inoltre la localizzazione e la quantificazione del danno stesso. Nel presente lavoro sono stati studiati e approfonditi diversi aspetti riguardanti tecniche per l’identificazione del danno con l’ausilio di modelli numerici. L’approccio multi-obiettivo alla calibrazione di modelli numerici, tipicamente necessario in problemi di sicurezza strutturale, fornisce un insieme di soluzioni ottimali, chiamato frontiera di Pareto, all’interno della quale deve essere scelta la soluzione preferita. In questo contesto, l’autore propone una procedura che consente il calcolo diretto della soluzione preferita, senza la necessità di determinare la frontiera, attraverso l’ottimizzazione di un’unica funzione obiettivo definita sulla base del criterio della minima distanza dal punto di equilibrio. Tale procedura è stata validata su una serie di casi studio, compreso quello della Rocca di San Felice sul Panaro, una struttura storica severamente danneggiata dal sisma dell’Emilia del 2012. L’approccio Bayesiano consente la modellazione stocastica dei parametri e degli errori in modo tale che il risultato della calibrazione possa essere espresso anche in termini di incertezza. Sul caso della Rocca di San Felice, i risultati, sia in termini di parametri che di pesi attribuiti a frequenze e forme modali, sono stati confrontati con quelli ottenuti tramite l’ottimizzazione bi-obiettivo e analizzando le incertezze associate. Sono inoltre presentate varianti alla metodologia, per cercare di ridurne l’onere computazionale, soprattutto per la valutazione delle incertezze dei parametri identificati. Le metodologie di model updating applicate all’identificazione del danno risultano spesso computazionalmente onerose e non permettono l’identificazione in tempo reale del possibile stato di danneggiamento. Le reti neurali, invece, permettono una rapida identificazione del possibile danno, se vengono opportunamente calibrate prima dell’utilizzo tramite modelli numerici capaci di simulare condizioni ordinarie e scenari di danno. Con riferimento al caso di un ponte ferroviario in struttura mista acciaio-calcestruzzo, sono stati sviluppati due modelli che differiscono per grado di dettaglio e permettono di simulare il comportamento “reale” della struttura e quello “del modello”, definito a partire dai parametri modali identificati. Quest’ultimo modello, più semplice, viene usato per la generazione dei dati destinati all’addestramento della rete. Con il primo modello, più dettagliato, si simulano i dati sperimentali impiegati per il test della rete, i quali inevitabilmente si discostano da quelli del modello semplificato, nonostante sia esso calibrato. I risultati ottenuti evidenziano come, per avere previsioni accurate nella fase di test, gli errori residui ottenuti al termine della calibrazione devono essere utilizzati per correggere i dati forniti in input alla rete.