Artificial Intelligence for the Condition-based Structural Maintenance of green energy infrastructures

In Civil Engineering, Structural Health Monitoring (SHM) is interpreted as a process of implementing damage identification procedures, based on the possibility to observe a certain system over time using periodically sampled response measurements from an array of sensors. In particular, to deal with large amounts of data and to automatically perform damage identification processes, SHM has been cast in the context of Statistical Pattern Recognition (SPR) paradigm, which, in turn, consists mainly in different steps: (i) operational evaluation and data acquisition; (ii) feature extraction and (iii) feature classification. Motivated by the fact that the EU is planning to use renewable energies to limit the Earth’s temperature rise, an increasing attention has been given towards SHM of green-energy infrastructures (e.g., dams and wind turbines). In fact, in order to guarantee a continuous energy production without any malfunction and to possibly extend the life-cycle of these structures, the structural investigation of these types of infrastructures started to become extremely relevant: however, in literature, it is not so common to find SHM applications on green-energy infrastructures due to the limited availability of data, so that the knowledge acquired in bridges’ SHM reveals highly important, offering an instrument for the validation and testing of newly SPR methodologies. When SHM is driven by dynamic response measurements, the matured experience in bridges revealed the efficiency of Operational Modal Analysis (OMA) for damage identification: the basic premise is that structural responses and modal parameters (natural frequencies, modal damping ratios and mode shapes) are functions of the physical properties of structure such as mass, stiffness and energy dissipation mechanisms. Therefore, changes in physical properties will lead to detectable changes in the dynamic responses and in the modal parameters. However, OMA-based features are generally extracted when the structure is in operating conditions, for which SPR paradigm comprehends some mandatory steps, mainly associated with the cleansing of the so-called Environmental and Operational Variability (EOV): a typical example is the influence of thermal effects, traffic and wind on bridges’ modal parameters. By consequence, it becomes mandatory to minimize such “normal” variability associated to environmental and operational effects that could mask changes in the structural behavior due to structural anomalies. Within this context, the first part of the Doctoral Dissertation is devoted to presenting a new software package, developed with the main intent of automatizing the whole SPR paradigm based on OMA. At the same time, the Dissertation focuses on presenting less diffused novelty analysis procedures, such as the Cointegration technique, providing comparisons with more traditional approaches that require extended training period for the minimization of EOVs. The present code, along with the implemented novelty analysis procedures, is adopted within bridges’ SHM, providing structural investigation results of a 100-year-old arch bridge, as well as in SHM of green energy infrastructures, reporting structural investigation results of a large concrete dam, the Baixo Sabor dam (Portugal), including also simulated damage identification results. Moving from traditional supervised methodologies (e.g., OMA-based SPR) towards more recent unsupervised techniques, literature works provide SPR paradigm cast in the Deep Learning (DL) research field, with the main aim to classify directly the raw data but without relying on feature extraction. The DL-based SPR paradigm involves the reconstruction of the raw data collected during continuous monitoring using AutoEncoder (AE) networks. AE networks can be used to learn hidden patterns in the input data – by reducing its dimensionality – and decode these learned patterns to reconstruct the input. Compared to the OMA-based SPR paradigm, the DL approach offers several advantages, since: (a) it reduces the dimensionality of the input data, (b) lowers computational demands by eliminating the need for feature extraction, and (c) inherently accounts for EOV within the input data. Within this context, the Doctoral Dissertation proposes a relatively new training procedure of AE, in which a unique AE network is trained using simultaneously the data from all the sensors, differently from traditional training procedures that assume to train a single network for each sensor. Trained in healthy structure data, the AE detects structural anomalies by comparing the error in the reconstruction between measured and reconstructed data. Additionally, the reconstruction error comparisons help localize anomalies. The final part of the Doctoral Dissertation is devoted to presenting results of the proposed DL-based SPR paradigm. At first, three benchmark bridges’ cases are presented: (i) the old ADA bridge for detecting human-induced damage, (ii) the KW51 railway bridge for assessing sensitivity to structural changes due to retrofitting, and (iii) the Brivio bridge for evaluating EOV sensitivity without structural anomalies. Subsequently, the effectiveness of the proposed methodology is proved using acceleration raw data from the continuous monitoring of the Baixo Sabor dam, in which various simulated damage scenarios have been superimposed to the measured data, and the optimized neural network yielded outstanding results in detecting and classifying these simulated anomalies.

Lo Structural Health Monitoring (SHM) si configura come un processo sistematico finalizzato all'implementazione di procedure per l’identificazione dei danni, fondato sull'osservazione continua delle condizioni di un sistema strutturale nel tempo. Al fine di gestire l’ingente mole di dati generata dal monitoraggio e automatizzare le procedure di identificazione, l’SHM è stato inquadrato all'interno del paradigma dello Statistical Pattern Recognition (SPR), articolato in diverse fasi principali: (i) valutazione operativa e acquisizione dei dati; (ii) estrazione delle informazioni rilevanti; (iii) classificazione delle informazioni estratte. Alla luce delle recenti politiche comunitarie orientate alla promozione delle fonti energetiche rinnovabili — mirate al contenimento dell'incremento della temperatura globale — è emerso un crescente interesse per l’SHM applicato alle infrastrutture adibite alla produzione di energia da fonti rinnovabili (quali dighe e impianti eolici). Al fine di garantire la continuità operativa, prevenire malfunzionamenti e prolungare il ciclo di vita utile delle strutture, l'adozione di sistemi SHM risulta imprescindibile. Tuttavia, la letteratura scientifica documenta ancora un numero limitato di applicazioni SHM in questo ambito, principalmente a causa della scarsa disponibilità di dati sperimentali. In tale contesto, le conoscenze maturate nell’SHM dei ponti si configurano come una risorsa fondamentale per la validazione e il perfezionamento delle metodologie sviluppate nel contesto SPR. Relativamente ai dati di monitoraggio dinamico, l’esperienza consolidata nel settore dei ponti ha evidenziato come l’Operational Modal Analysis (OMA) rappresenti uno strumento particolarmente efficace per l’identificazione dei danni, in quanto consente di correlare le risposte dinamiche (frequenze naturali, smorzamenti modali e forme modali) alle proprietà fisiche della struttura (massa e rigidezza). Eventuali alterazioni strutturali possono infatti determinare variazioni apprezzabili nei parametri modali identificati. Poiché l’identificazione dei parametri avviene generalmente durante il normale esercizio della struttura, risulta imprescindibile affrontare la problematica della Environmental and Operational Variability (EOV), la quale può mascherare la presenza di danni reali. Ad esempio, nel caso dei ponti, le variazioni termiche, i carichi da traffico e l’azione del vento influiscono sensibilmente sui parametri modali identificati, rendendo necessaria l’adozione di tecniche di minimizzazione dell’EOV. In tale ambito, la prima parte della Tesi di Dottorato si propone di presentare un nuovo software sviluppato con l'obiettivo di automatizzare i processi SPR basati su OMA. Parallelamente, vengono introdotte metodologie innovative per l’identificazione dei danni, quali la tecnica della co-integrazione, confrontate criticamente con approcci tradizionali caratterizzati da lunghi periodi di addestramento per la gestione dell’EOV. Il software sviluppato, unitamente alle metodologie proposte, viene applicato sia al monitoraggio di un ponte ad arco centenario sia alla diga di Baixo Sabor (Portogallo), evidenziando l’efficacia delle tecniche implementate anche in condizioni di danno simulato. In un’ottica di evoluzione verso approcci non supervisionati, la recente letteratura propone l’integrazione dell'SPR con metodologie di Deep Learning (DL), finalizzate alla classificazione diretta dei segnali senza necessità di estrazione esplicita delle caratteristiche. In particolare, l’impiego di reti neurali, quali gli AutoEncoder (AE), consente di ricostruire i segnali monitorati riducendo la dimensionalità degli input e mantenendo la capacità di individuare pattern significativi. Rispetto ai metodi basati su OMA, l’approccio DL presenta numerosi vantaggi: (a) riduzione della dimensione dei dati di input; (b) abbattimento del carico computazionale grazie all’eliminazione della fase di estrazione delle caratteristiche; (c) gestione intrinseca della variabilità ambientale e operativa. In tale prospettiva, la Tesi propone una nuova procedura di addestramento degli AE, caratterizzata dall’impiego di una singola rete addestrata simultaneamente sui dati provenienti da tutti i sensori, superando l’approccio tradizionale che prevede l’addestramento di una rete distinta per ciascun canale. Addestrato in condizioni di struttura integra, l’AE si dimostra capace di rilevare anomalie strutturali mediante il confronto dell’errore di ricostruzione tra i segnali misurati e quelli ricostruiti; l’analisi degli errori su base canale-per-canale consente inoltre di localizzare le anomalie. La parte finale della Tesi presenta l’applicazione della metodologia DL a diversi casi studio. Vengono inizialmente analizzati tre casi relativi a ponti: (i) il ponte ADA (Giappone), oggetto di danneggiamenti reali; (ii) il ponte ferroviario KW51 (Belgio), sottoposto a interventi di retrofit; (iii) il ponte di Brivio (Italia), utilizzato per la valutazione della sensibilità all’EOV in assenza di danni. Successivamente, si illustra l’applicazione della metodologia al monitoraggio continuo della diga di Baixo Sabor, ove l’integrazione di scenari simulati di danno con i dati reali ha consentito di validare l’efficacia della rete neurale ottimizzata nell’identificazione e classificazione delle anomalie.