A novel approach to indirect bridge Structural Health Monitoring: from traffic sensing to drive-by assessment

The progressive aging of transportation infrastructure, combined with increasing traffic demand and heavier vehicle loads, poses significant challenges for the safe and sustainable management of bridge networks. While conventional structural health monitoring (SHM) systems can provide accurate and continuous information, their deployment is often limited to a small number of critical structures due to high installation, maintenance and data-management costs. This has motivated growing interest in scalable monitoring strategies that can extend structural assessment capabilities beyond isolated assets toward network-level applications. This thesis investigates scalable infrastructure monitoring enabled by digitalisation and crowdsensing frameworks, with a specific focus on bridge monitoring. The central premise is that recent advances in digital sensors, IoT architectures and embedded computation (e.g. edge artificial intelligence). These technologies can be effectively coupled with vehicle-based sensing and crowdsensing techniques to enable cost-effective, information-oriented monitoring solutions. Rather than relying on dense instrumentation permanently installed on the target structures, the proposed approaches exploit vehicles as mobile sensing platforms and leverage distributed intelligence to extract meaningful indicators of structural behavior while limiting data volume and communication requirements. The thesis develops and validates this perspective through three main contributions. First, a data-fusion framework combining vision-based and acceleration-based measurement systems is proposed to estimate vehicle speed, classify traffic diversity, and approximate traffic loads on a real highway viaduct. Although individual vehicle weight estimates remain affected by non-negligible uncertainty, the results show that cumulative traffic load indicators can be estimated with high accuracy over time, supporting monitoring objectives at the network scale. Second, an indirect monitoring strategy for estimating bridge static deflection under drive-by conditions is introduced. This solution exploits smart MEMS-based sensing nodes embedded within an IoT architecture as the primary data acquisition system. Analytical beam models and data-driven approaches are compared, showing that lightweight, edge-deployable neural networks can accurately reconstruct static deflection shapes from vehicle-mounted measurements despite sensor noise and limited sensitivity. Third, a computationally efficient framework for the real-time estimation of the coupled vehicle-bridge dynamic response is developed using reduced-order state-space model coupling. The method explicitly represents the interaction between the vehicle and the bridge, captures the filtering effect of vehicle dynamics on structural response, and enables output-only estimation and simulation under both static and moving vehicle conditions. Experimental results obtained on a laboratory-scale setup demonstrate that the approach can reconstruct the main features of the coupled dynamics with good accuracy, while also providing a physically consistent basis for the generation of synthetic interaction data for future data-driven monitoring applications. Across these studies, particular attention is devoted to scalability, robustness, and practical deployment constraints. This includes the design of low-cost smart sensing nodes, the use of edge processing to reduce communication and storage demands, the exploitation of repeated vehicle passages to increase data redundancy through crowdsensing, and the management of synchronization and computational limitations in embedded systems. The proposed methods are validated through both full-scale and laboratory-scale experiments, supported by independent reference measurements for benchmarking. Overall, the results show that digitalisation and crowdsensing, when embedded within an appropriate monitoring architecture, provide a viable pathway toward scalable bridge assessment, complementing traditional SHM approaches and extending monitoring capabilities from single critical structures to broader infrastructure networks.

Il progressivo invecchiamento delle infrastrutture di trasporto, combinato con l’aumento della domanda di traffico e con carichi veicolari più elevati, pone sfide significative per la gestione sicura e sostenibile delle reti di ponti. Sebbene i sistemi convenzionali di monitoraggio strutturale, o Structural Health Monitoring (SHM), possano fornire informazioni accurate e continue, la loro implementazione è spesso limitata a un numero ristretto di strutture critiche a causa degli elevati costi di installazione, manutenzione e gestione dei dati. Ciò ha motivato un crescente interesse verso strategie di monitoraggio scalabili, in grado di estendere le capacità di valutazione strutturale oltre i singoli asset isolati, verso applicazioni a livello di rete. Questa tesi indaga il monitoraggio scalabile delle infrastrutture abilitato dalla digitalizzazione e da framework di crowdsensing, con un focus specifico sul monitoraggio dei ponti. La premessa centrale è che i recenti progressi nei sensori digitali, nelle architetture IoT e nel calcolo embedded, ad esempio l’intelligenza artificiale edge, possano essere efficacemente integrati con tecniche di sensing veicolare e crowdsensing per abilitare soluzioni di monitoraggio orientate all’informazione, economicamente sostenibili. Piuttosto che basarsi su una densa strumentazione installata permanentemente sulle strutture target, gli approcci proposti sfruttano i veicoli come piattaforme mobili di sensing e fanno leva sull’intelligenza distribuita per estrarre indicatori significativi del comportamento strutturale, limitando al contempo il volume dei dati e i requisiti di comunicazione. La tesi sviluppa e valida questa prospettiva attraverso tre contributi principali. In primo luogo, viene proposto un framework di data fusion che combina sistemi di misura basati su visione e su accelerazioni per stimare la velocità dei veicoli, classificare la diversità del traffico e approssimare i carichi di traffico su un viadotto autostradale reale. Sebbene le stime del peso dei singoli veicoli siano ancora caratterizzate da un’incertezza non trascurabile, i risultati mostrano che gli indicatori cumulativi di carico da traffico possono essere stimati con elevata accuratezza nel tempo, supportando obiettivi di monitoraggio a scala di rete. In secondo luogo, viene introdotta una strategia di monitoraggio indiretto per la stima della deflessione statica dei ponti in condizioni drive-by. Questa soluzione sfrutta nodi di sensing intelligenti basati su sensori MEMS e integrati in un’architettura IoT come sistema primario di acquisizione dati. Vengono confrontati modelli analitici di trave e approcci data-driven, mostrando che reti neurali leggere, implementabili su dispositivi edge, possono ricostruire accuratamente le forme di deflessione statica a partire da misure montate su veicolo, nonostante il rumore dei sensori e la sensibilità limitata. In terzo luogo, viene sviluppato un framework computazionalmente efficiente per la stima in tempo reale della risposta dinamica accoppiata veicolo-ponte mediante accoppiamento di modelli state-space di ordine ridotto. Il metodo rappresenta esplicitamente l’interazione tra il veicolo e il ponte, cattura l’effetto filtrante della dinamica del veicolo sulla risposta strutturale e abilita la stima e la simulazione output-only sia in condizioni statiche sia in condizioni di veicolo in movimento. I risultati sperimentali ottenuti su un setup in scala di laboratorio dimostrano che l’approccio è in grado di ricostruire con buona accuratezza le caratteristiche principali della dinamica accoppiata, fornendo al contempo una base fisicamente coerente per la generazione di dati sintetici di interazione per future applicazioni di monitoraggio data-driven. Nel complesso di questi studi, particolare attenzione è dedicata alla scalabilità, alla robustezza e ai vincoli pratici di implementazione. Ciò include la progettazione di nodi di sensing intelligenti a basso costo, l’uso di elaborazione edge per ridurre le richieste di comunicazione e archiviazione, lo sfruttamento di passaggi veicolari ripetuti per aumentare la ridondanza dei dati tramite crowdsensing, e la gestione dei limiti di sincronizzazione e computazione nei sistemi embedded. I metodi proposti sono validati attraverso esperimenti sia in scala reale sia in scala di laboratorio, supportati da misure di riferimento indipendenti per il benchmarking. Nel complesso, i risultati mostrano che digitalizzazione e crowdsensing, quando integrati all’interno di un’architettura di monitoraggio appropriata, offrono un percorso praticabile verso la valutazione scalabile dei ponti, complementando gli approcci SHM tradizionali ed estendendo le capacità di monitoraggio da singole strutture critiche a reti infrastrutturali più ampie.