La gestione delle infrastrutture stradali al fine del prolungamento della loro vita residua: applicazioni dell’Automated Machine Learning per la valutazione del rischio di ponti esistenti

Road infrastructure, crucial for mobility and economic development in modern societies, faces increasing challenges due to progressive deterioration. Bridges and viaducts, in particular, suffer degradation due to environmental factors, increasing loads, and aging materials. In Italy, this issue is exacerbated by the heterogeneity and age of infrastructure. The recent “Guidelines for the Classification and Risk Management, Safety Assessment, and Monitoring of Existing Bridges” (LLGG) introduced a methodological approach for safety assessment and management of road bridges on a national scale. However, while they represent a step toward more structured infrastructure management, they entail a high application burden and the need for complex assessment processes. In this context, the development of computational tools to support the management and maintenance of existing bridges in line with the LLGG becomes particularly important. The adoption of innovative technologies, such as Machine Learning (ML) algorithms, is emerging as a strategic solution to improve infrastructure safety, resilience and sustainability. During the thesis, several useful algorithms were implemented and validated as support for the application of the LLGG-based management procedure. First, an algorithm was developed for the analysis of normative parameters to generate and evaluate structural configurations with respect to risk, quantified in Classes of Attention (CdA). The use of Automated Machine Learning (AutoML) techniques, on the generated configurations, allowed the training of models with a reduced set of parameters readily available from census data and expeditious assessments, for predictive analyses of CdA with respect to structural and seismic risks. The models were experimentally validated through a sample of real bridges inspected during the thesis work. In parallel, activities aimed at validating deep learning algorithms for automated identification of structural defects were also performed, with a focus on image analysis and degradation assessment on bridge piers. A study was, in addition, conducted on risk assessment for works with spans of less than six meters that are not included in LLGG. The results showed that it is possible to accurately predict the CdA using a reduced set of parameters, avoiding the need to determine the Defectiveness Level, which is the most challenging parameter to assess in real cases. Moreover, the use of software for automatic recognition of structural defects by analyzing orthophotos obtained from drones has shown enormous potential in being able to be used as a tool to support inspection activities by reducing the rate of subjectivity in the process. The development of a simplified method for risk assessment risk of small-span structures highlighted how a more streamlined procedure, both in terms of process burdensomeness and resources used, is capable of effectively capturing the aspects of the complete procedure.

Le infrastrutture stradali, essenziali per la mobilità e lo sviluppo economico delle società moderne, devono affrontare sfide crescenti per effetto del deterioramento progressivo. Ponti e viadotti, in particolare, subiscono degrado a causa di fattori ambientali, carichi sempre più elevati e invecchiamento dei materiali. In Italia, questa problematica è esacerbata dall'eterogeneità e dalla vetustà delle infrastrutture. Le recenti “Linee Guida per la classificazione e gestione del rischio, la valutazione della sicurezza ed il monitoraggio dei ponti esistenti" (LLGG), hanno introdotto un approccio metodologico per la valutazione della sicurezza e la gestione dei ponti stradali su scala nazionale. Tuttavia, pur rappresentando un passo avanti verso una gestione più strutturata delle infrastrutture, comportano un elevato onere applicativo e la necessità di processi di valutazione complessi. In questo contesto, assume particolare importanza lo sviluppo di strumenti computazionali per supportare la gestione e la manutenzione dei ponti esistenti coerentemente con le LLGG. L’adozione di tecnologie innovative, come gli algoritmi di Machine Learning (ML), sta emergendo come soluzione strategica per migliorare la sicurezza, la resilienza e la sostenibilità delle infrastrutture. In questo contesto si inserisce il presente studio di tesi, che si è svolto nel quadro del P.O.N. (Programma Operativo Nazionale Ricerca e Innovazione 2014-2020) e ha previsto lo stage in azienda per sei mesi presso la MT Ricci S.r.l., che lavora da anni nel campo della gestione dei rischi di edifici e ponti esistenti, e ha sviluppato un software basato sul ML per la valutazione speditiva del rischio sismico di edifici su scala territoriale. Durante la tesi sono stati implementati e validati diversi algoritmi utili come supporto all’applicazione della procedura di gestione basata sulle LLGG. In primo luogo, è stato sviluppato un algoritmo per l’analisi dei parametri normativi per generare e valutare configurazioni strutturali rispetto al rischio, quantificato in Classi di Attenzione (CdA). L’utilizzo di tecniche di Automated Machine Learning (AutoML), sulle configurazioni generate, ha permesso di addestrare modelli con un insieme ridotto di parametri facilmente reperibili da dati censuari e valutazioni speditive, per analisi previsionali delle CdA rispetto ai rischi strutturali e sismici. I modelli sono stati validati sperimentalmente attraverso un campione di ponti reali ispezionati durante il lavoro di tesi. Parallelamente, sono state eseguite anche attività finalizzate alla validazione di algoritmi di deep learning per l’identificazione automatizzata dei difetti strutturali, con particolare attenzione all’analisi delle immagini e alla valutazione del degrado su pile da ponte. È stato, inoltre, condotto uno studio sulla valutazione del rischio per opere di luce inferiore a sei metri che non sono comprese nelle LLGG. I risultati ottenuti hanno mostrato che è possibile prevedere accuratamente le CdA utilizzando un insieme ridotto di parametri, evitando la necessità di determinare il Livello di Difettosità che è il parametro più difficile da determinare nei casi reali. Inoltre, l’utilizzo di software per il riconoscimento automatico dei difetti strutturali, mediante l’analisi di ortofoto ottenute da droni ha dimostrato enormi potenzialità nel poter essere usato come strumento di supporto alle attività ispettive riducendo il tasso di soggettività del processo. Lo sviluppo di un metodo semplificato per la valutazione del rischio di opere di piccola luce ha evidenziato come una procedura più snella, sia in termini di onerosità del processo sia in termini risorse utilizzate, sia capace di cogliere efficacemente gli aspetti della procedura completa.