Approcci innovativi per la sicurezza delle infrastrutture strategiche: valutazione speditiva della vulnerabilità sismica di ponti con machine learning e analisi sperimentale avanzata su conci per gallerie

This PhD thesis addresses the safety and resilience of strategic road infrastructures through a twofold approach. The first part of the research focuses on the development of an innovative and rapid methodology for the seismic vulnerability assessment of existing bridges, with a specific focus on simply supported girder viaducts, which are widespread on the Italian motorway network. Using a significant sample of 25 bridges from the A19 motorway in Sicily as a case study, a robust reference dataset was created through traditional numerical analyses based on structural mechanics (nonlinear static analysis, or pushover analysis). This dataset was then used to train and validate a surrogate model based on Machine Learning (ML) techniques, specifically Gaussian Process Regression (GPR). The GPR model proved capable of predicting the key parameters of the fragility curves (median capacity μ and dispersion β) with high accuracy, starting from a limited set of readily available geometric and mechanical data. The results demonstrate that this approach overcomes the computational limitations of conventional methods and the qualitative limits of current screening tools, offering a quantitative, rapid, and scalable tool for proactive seismic risk management and the prioritization of large-scale interventions. The second part of the research addresses the experimental validation of components for new construction, investigating the structural behavior of precast segments for tunnel linings. To this end, a one-of-a-kind test machine, located at the L.E.D.A. laboratory of the University of Enna Kore, was used. This innovative test machine, characterized by its multifunctionality and a high-performance multi-actuator loading system, allowed for the simulation with unprecedented fidelity of the complex loading conditions acting on a segment: both the high concentrated forces during the thrust phase of the Tunnel Boring Machine (TBM) and the flexural stresses typical of collapse conditions. The experimental campaign, conducted on full-scale segments, allowed for the analysis of cracking and failure mechanisms (splitting and spalling), fully validating the predictions of numerical models and confirming the effectiveness of innovative solutions such as fiber-reinforced concrete. In summary, the thesis provides an integrated contribution to infrastructure safety, proposing on the one hand a data-driven tool for a more efficient and informed management of existing assets, and on the other, an advanced experimental platform to ensure the safety and reliability of future large-scale infrastructure projects.

La presente tesi di dottorato affronta il tema della sicurezza e della resilienza delle infrastrutture viarie strategiche attraverso un duplice approccio. La prima parte del lavoro si concentra sullo sviluppo di una metodologia innovativa e speditiva per la valutazione della vulnerabilità sismica dei ponti esistenti, con un focus specifico sui viadotti a travata semplicemente appoggiata, ampiamente diffusi sulla rete autostradale italiana. Prendendo come caso studio un campione significativo di 25 ponti dell'autostrada A19 in Sicilia, è stato creato un robusto dataset di riferimento tramite analisi numeriche tradizionali basate sulla meccanica strutturale (analisi statica non lineare, o pushover). Questo dataset è stato poi utilizzato per addestrare e validare un modello surrogato basato su tecniche di Machine Learning (ML), in particolare la Regressione con Processo Gaussiano (GPR). Il modello GPR si è dimostrato in grado di predire con elevata accuratezza i parametri chiave delle curve di fragilità (capacità mediana μ e dispersione β) a partire da un set limitato di dati geometrici e meccanici facilmente reperibili. I risultati dimostrano che tale approccio supera i limiti computazionali dei metodi convenzionali e i limiti qualitativi degli attuali strumenti di screening, offrendo uno strumento quantitativo, rapido e scalabile per la gestione proattiva del rischio sismico e la prioritizzazione degli interventi su vasta scala. La seconda parte della ricerca si sposta sulla validazione sperimentale dei componenti per le opere di nuova costruzione, investigando il comportamento strutturale dei conci prefabbricati per il rivestimento di gallerie. A tal fine, è stato utilizzato un banco di prova unico nel suo genere, presente presso il laboratorio L.E.D.A. dell'Università di Enna Kore. Questo innovativo banco prova, caratterizzato da polifunzionalità e un sistema di carico multi-attuatore ad alte prestazioni, ha permesso di simulare con fedeltà senza precedenti le complesse condizioni di carico agenti su un concio: sia le elevate forze concentrate durante la fase di spinta della Tunnel Boring Machine (TBM), sia le sollecitazioni flessionali tipiche delle condizioni di collasso. La campagna sperimentale condotta su conci in scala reale ha permesso di analizzare i meccanismi di fessurazione e rottura (splitting e spalling), validando in modo completo le previsioni dei modelli numerici e confermando l'efficacia di soluzioni innovative come i calcestruzzi fibrorinforzati. In sintesi, la tesi fornisce un contributo integrato alla sicurezza infrastrutturale, proponendo da un lato uno strumento data-driven per una gestione più efficiente e informata del patrimonio esistente e, dall'altro, una piattaforma sperimentale avanzata per garantire la sicurezza e l'affidabilità delle grandi opere del futuro.