AI nell’Ingegneria Civile: l’intelligenza artificiale come strumento di monitoraggio e indagine delle gallerie

Negli ultimi anni, la ricerca di tecniche di monitoraggio automatizzato delle infrastrutture e delle relative opere d’arte ha visto svilupparsi un sempre più crescente interesse. 

Queste tecniche sono capaci di venire in aiuto agli ingegneri nel complesso problema di evidenziare, mediante tecniche robuste e non distruttive, elementi in grado di definire la sofferenza e particolari nevralgie nelle opere in esercizio. 

Nel caso delle gallerie, attualmente, le indagini e le ispezioni, all’interno delle stesse, sono condotte tramite osservazioni visive e periodiche. Tuttavia, dato che questo procedimento può risultare laborioso e ostico nel presente articolo viene presentata l’adozione di tecniche d’intelligenza artificiale come una classificazione del danno multilivello basata sull’uso di una rete neurale artificiale pre-addestrata. 

La progettazione e implementazione di essa è stata condotta attraverso i risultati di un monitoraggio strutturale con l’obbiettivo di realizzare un futuro piano di controllo delle opere d’arte nell’ottica di una maggiore efficienza in termini di costi e di servizi. 

I promettenti risultati ottenuti permettono di intraprendere varie strade di approfondimento in termini di ricerca, in modo da ottenere un effettivo strumento operativo. 

Non dimenticando mai che l’uso di tecniche d’intelligenza artificiale non vuole sostituire il giudizio dell’ingegnere, ma essere da aiuto e rappresentare la chiave di lettura per una migliore gestione del patrimonio infrastrutturale esistente.

L’utilizzo di una metodologia di intelligenza artificiale per la diagnostica

Nel mondo dell’Ingegneria civile, la ricerca di possibili indicatori di cambiamento o di sofferenza che possano restituire un “allarme”, in caso di imminente pericolo, ha subito un crescente interesse. Dato il ricco patrimonio infrastrutturale italiano, costituito da circa 33500 ponti e 2500 gallerie, l’utilizzo delle più moderne tecnologie è imprescindibile, in particolare possibili applicazioni delle tecniche d’intelligenza artificiale sono di fondamentale importanza.

Ottimizzazione della progettazione tramite algoritmi di machine learning, realizzazione di modelli predittivi del rischio, del danno e della stabilità strutturale e l’ottimizzazione dei processi di gestione dei materiali sono alcuni dei possibili campi di applicazione di queste tecniche. 

Nel presente articolo ci si concentra in particolare sulle gallerie, tuttavia il principiò si può ragionevolmente astrarre anche per altre possibili opere strutturali. Le condizioni strutturali possono non corrispondere a quanto descritto in fase di progetto a causa di diversi fattori. Possibili cause possono essere individuate nei difetti di costruzione, deformazioni e danni strutturali [1], perdite d’acqua data la natura non impermeabile di molte gallerie [2] [3] [4], vuoti, deterioramento dei materiali e crepe da terremoti [5]. 

L’argomento descritto all’interno del presente articolo è l’utilizzo di una metodologia di intelligenza artificiale per la diagnostica tramite immagini sulla quale applicazione si basano le tecniche di monitoraggio della salute strutturale (SHM) per riconoscere la presenza e la natura dei potenziali danni nelle infrastrutture [6]. 

Il Deep Learning si è rilevato molto efficace nell’esecuzione di complessi compiti di classificazione per l’analisi automatica delle immagini. Per lo svolgimento di tale obbiettivo si sono adoperate delle reti neurali convoluzionali pre-addestrate accoppiate con tecniche transfer learning. 

Questa metodologia è stata adoperata per applicazioni di classificazione dei danni strutturali come può essere letto in [7] – [10]. Tuttavia, i difetti categorizzati in letteratura risultano essere spesso limitati a delle condizioni di laboratorio ideali. 

In questo articolo si descrive la ricerca condotta in merito, con la realizzazione di una nuova strategia multilivello, basata su reti neurali convoluzionali per l’individuazione e la classificazione automatica del danno, relativo al calcestruzzo di rivestimento delle gallerie. Esso è addestrato a riconoscere le immagini fornite come input (profili GPR) in 14 categorie ottenendo risultati soddisfacenti sia in termini di precisione che di robustezza. 

I dati processati dalla rete adoperata ed allenata sono dei profili georadar, la scelta è stata guidata dalla possibilità di non dovere trattare immagini con presenza di forti esposizioni di luce ed ombre e soprattutto dato che il GPR è diventato una delle tecniche di monitoraggio strutturale non distruttivo più utilizzato [11] [12]. L’utilizzo del GPR è stato utilizzato in un ampio spettro di applicazioni come la localizzazione di vuoti nel calcestruzzo [13] o il tracciamento dei servizi sotterranei [14]. 

Tecniche di intelligenza artificiale a supporto dell'elaborazione delle immagini

Uno dei concetti cardini dell’intelligenza artificiale è la possibilità di potere automatizzare attraverso varie tecnologie, la risoluzione di problemi e attività tipicamente eseguite dalla mente umana. I punti di forza sono la velocità computazionale e la possibilità di gestire automaticamente grandi quantità di dati.

Questo approccio è guidato da due tecniche principalmente: il Machine Learning e il Deep Learning; esse sono in grado di permettere la risoluzione di problemi direttamente dai dati sperimentali. 

Il machine learning è una branca della computer science il cui scopo è incentrato sulla realizzazione di algoritmi capaci di creare una vera e propria coscienza partendo dai dati forniti come input con delle accuratezze delle previsioni prossime a quelle desiderate. Tuttavia, il sistema si adatta solo dopo avere ricevuto delle istruzioni manuali da parte di un operatore. Una più accurata definizione del machine learning la si legge in [15] 

“Un programma apprende da una certa esperienza E se nel rispetto di una classe di compiti T, con una misura della prestazione P, la prestazione P misurata nello svolgere il compito T è migliorata dall’esperienza E”. 

I tasks più risolti con l’uso delle tecniche di machine learning sono i problemi di regressione, traduzione, sintesi, stima di densità di probabilità e classificazione. 

Il Deep Learning, sottoinsieme del ML, ha invece come obbiettivo, la replicazione delle attività e metodologie che si sviluppano in una vera e propria rete neurale umana sfruttando diversi livelli di astrazione realizzando reti neurali artificiali. Il punto di forza di queste reti è la possibilità di utilizzare, in fase di addestramento, dati non strutturati.

Le caratteristiche da apprendere non sono progettate o realizzate dall’uomo, ma è la rete stessa che apprende automaticamente dai dati [16]. Man a mano che le informazioni estratte dalle reti diventano maggiormente complesse, aumenta la profondità dei livelli di astrazione. 

Figura 1 L’intelligenza artificiale, machine learning e deep learning

Uno dei campi in cui l’intelligenza artificiale trova largo impiego è nella diagnostica tramite immagine, in quanto permette una migliore caratterizzazione e un vantaggio in termini di tempo nell’individuazione di particolari caratteristiche ricercate.

In particolare, il deep learning trova il suo sviluppo nella classificazione delle immagini. Tuttavia, dato il rilevante numero di immagini che occorrerebbe utilizzare in fase di addestramento, si utilizza un’altra tecnica definita come transfer learning. Essa consiste nell’utilizzare reti neurali pre-addestrate, quindi nel ri-addestrare le reti esistenti sul loro dataset per diversi scenari di classificazione. Il transfer learning per il fine-tuning della rete è più veloce dell'addestramento di una rete da zero, e fornisce un'eccellente accuratezza anche con meno dati di addestramento.

Gli elementi chiave, che permettono alle reti neurali artificiali di funzionare, sono i neuroni artificiali che svolgono le analoghe funzioni delle cellule nervose, sono caratterizzati da diversi input ed un output definito come somma pesata dei primi. Come per un cervello umano, per sviluppare una rete neurale artificiale occorre che essa apprenda, l’addestramento avviene grazie agli algoritmi di machine learning o deep learning. 

Figura 2 Neurone biologico e artificiale [17]

In letteratura vi sono diverse tipologie di reti neurali artificiali, tra cui le MLP- Multi Layer Perceptron e le CNN – Convolutional Neural Network, reti utilizzate maggiormente per risolvere problemi di classificazione d’immagini. 

L’estrazione delle informazioni utili per l’interpretazione di immagini non è un processo semplice ed immediato. Spesso la codifica corretta e la performance di un classificatore sono inficiati da diversi fattori come la corretta tipologia di strumentazione, la dimensione del database, scelta degli iperparametri o dalle stesse condizioni ambientali. 

La realizzazione di un classificatore attraverso l’uso delle reti neurali avviene mediante una fase di addestramento dei dati di training per permettere di apprendere la distribuzione delle caratteristiche in funzione di una classificazione nota. Successivamente esso viene testato su un dataset d’immagini di test per valutarne l’accuratezza e robustezza. 

La rete utilizzata e descritta successivamente è una Convolutional Neural Networks, dato che si sono mostrate maggiormente performanti per svolgere attività di classificazione.

Queste particolari reti si basano sull’operazione matematica della convoluzione e sono caratterizzate da una serie di layer che si presentano in modo sequenziale caratterizzati da diverse funzioni: 

• Input layer, livello preposto per ricevere le immagini e il ridimensionamento;
• Convolutional layer, livello adibito all’estrazione delle caratteristiche significative delle immagini;
• Rectified Linear Unit Layer, livelli aggiuntivi presenti subito dopo le fasi di convoluzione, svolgono operazioni che interessano ciascun pixel, introducendo la non-linearità alla rete; 
• Pooling Layer, tipologia di layer adibito allo svolgimento dei sotto-campionamenti e nel ridurre progressivamente la dimensione degli input [15]
• Fully connected layer, livello che ha l’obbiettivo di tradurre le immagini analizzate in categorie. 

L'algoritmo addestrato e la classificazione del danno multilivello del calcestruzzo

In relazione a quanto detto precedentemente si descrive l’applicazione ed i risultati ottenuti applicando una delle precedenti metodologie per indagare la presenza, e quindi la natura, di un potenziale sintomo di danneggiamento relativo al calcestruzzo di rivestimento di opere d’arte, nel caso specifico gallerie. La letteratura presenta diverse soluzioni di reti neurali preaddestrate come AlexNet, GoogleNet, Resnet … 

La rete neurale convoluzionale scelta è stata RESNET50, rete nata dagli studi di Kaiming He et al, costituita da circa 25 milioni di parametri e da 177 layer di cui 49 convoluzionali e 1 fully connected.  Essa si distingue rispetto alle sue simili per la presenza di un elemento caratteristico: le unità residuali o skip connection. Questo elemento ha permesso l’utilizzo di reti molto profonde mitigando le problematiche derivanti da eccessive profondità delle reti stesse rispetto a reti neurali “tradizionali”. In letteratura le reti RESNET sono diverse e si distinguono tra loro per il numero di layer convoluzionali di cui sono composte. 

Un secondo punto di forza di questa rete risiede nella notevole profondità in relazione al vantaggio in termini di tempo e complessità computazionale rispetto a reti neurali simili [18] [19].

Le immagini che sono state fornite alla rete, come detto precedentemente, rappresentano dei radargrammi, ovvero profili longitudinali GPR acquisiti mediante la visualizzazione di tipo B-scan, data dall’insieme delle tracce radar campionate lungo il profilo di acquisizione. Tuttavia, data la possibile influenza di rumore, di code del suono e da altre generiche interferenze, l’interpretazione di questi profili non è sempre immediata. Per questo motivo, sono stati applicati diversi filtri dalle società di competenza dai cui sono stati ottenuti i suddetti dati. 

Prima di addestrare la rete scelta è stata condotta una fase di pre-elaborazione delle immagini composta da due azioni: 

• Ogni profilo è stato suddiviso in elementi di dimensioni variabili tra i 116-600 pixel orizzontali e 110-564 pixel verticali;
• adozione di una tecnica di aumento dei dati per migliorare le prestazione della rete come viene descritto da diversi studi in letteratura [21] [22], gli elementi ottenuti dalla suddivisione dei profili sono stati specchiati rispetto l’asse verticale. 

Successivamente il database è stato creato associando ogni immagine i-esima la classe di appartenenza, confrontando i profili georadar con le loro interpretazioni. 

Le classi del database sono state suddivise realizzando una classificazione dei danni a più livelli. Proseguendo dai livelli più esterni a quelli più interni è possibile ottenere una conoscenza più dettagliata della presenza e della tipologia di danno strutturale. 

Questo approccio multilivello ha l’obbiettivo di associare un livello di attenzione crescente in presenza di elementi e situazioni meritevoli di una più approfondita indagine relativa al decadimento strutturale in corso, concetto riportato nelle “Nuove linee guida per la classificazione e gestione del rischio, valutazione della sicurezza e monitoraggio dei ponti esistenti", recentemente approvate in Italia (2020).

Le classi individuate sono 14: 

1. Classe con presenza di centinature di coperture ed elementi associati a condizioni strutturali sane;
2. Classe con presenza di elementi con diverse tipologie di danneggiamento;
3. Classe con elementi associati a condizioni strutturali sane;
4. Classe con elementi con presenza di centinature di coperture;
5. Classe con presenza combinata di due o più difetti;
6. Classe con presenza di un'unica tipologia di danno tra anomalie, fratture, vuoti semplici, scavernamenti o distacchi di materiale;
7. Classe con presenza di frattura;
8. Classe con presenza di un’unica tipologia di danno tra anomalie, vuoti semplici, scavernamenti o distacchi di materiale;
9. Classe con presenza di anomalie ovvero fenomeni causati da cambiamenti di temperatura, presenza di problemi nel getto di calcestruzzo o vuoti e lesioni ridotte;
10. Classe con presenza di vuoti (vuoti semplici, scavernamenti o distacchi di materiale);
11. Classe con presenza di vuoti semplici ovvero vuoti di media grandezza e profondità;
12. Le immagini di questa classe sono legate a fenomeni di distacco e scavernamento. Una descrizione più dettagliata è riportata nelle classi 13 e classe 14.
13. Classe con presenza di fenomeni di distacco di materiale;
14. Classe con presenza di fenomeni di scavernamento ovvero vuoti interni di estese dimensioni. 

....CONTINUA

Per leggere l'articolo integrale SCARICA IL PDF