Sicurezza infrastrutture ed edifici: l'intelligenza artificiale nell’ingegneria strutturale

Intelligenza artificiale: in supporto della sicurezza delle strutture e infrastrutture

L'intelligenza artificiale rappresenta la tecnologia più rivoluzionaria degli ultimi decenni, e i suoi impatti si sono estesi a diversi settori. Nel contesto delle costruzioni, i primi tentativi di implementazione hanno già dimostrato la capacità di migliorare le scelte progettuali e incrementare la sicurezza nei cantieri.

L'ingegneria strutturale svolge un ruolo cruciale nella gestione della sicurezza delle strutture e delle infrastrutture.

Durante la fase di progettazione di un nuovo edificio o durante la verifica di un viadotto esistente, è fondamentale ottimizzare l'utilizzo delle competenze e delle conoscenze degli ingegneri, riducendo l'onere delle attività secondarie. In questo contesto, l'intelligenza artificiale offre un valido supporto, facilitando l'esecuzione di operazioni ripetitive o di analisi dei dati.

In questo scenario si inquadra la tesi di dottorato difesa dall’autore nell’ambito del corso di Dottorato in Ingegneria Strutturale, Geotecnica e Rischio Sismico del Dipartimento di Strutture dell’Università degli Studi di Napoli – Federico II. Il lavoro di tesi è stato svolto sotto la supervisione del prof. ing. Domenico Asprone, e con il supporto del comitato composto dal prof. ing. Edoardo Cosenza e dal prof. ing. Gerardo Mario Verderame.

La tesi ha analizzato soluzioni basate sull'AI per il miglioramento della sicurezza strutturale in diversi contesti applicativi.

In particolare, sono state sviluppate soluzioni per migliorare la progettazione sismica di edifici irregolari, per analizzare il flusso di informazioni prodotte in cantiere, per il monitoraggio strutturale, le ispezioni e per la riduzione delle emissioni nella manutenzione di ponti (Figura 1).

Il primo caso d'uso affrontato nella tesi è la progettazione sismica di strutture in c.a. irregolari in pianta. Le tradizionali metodologie di progettazione, basate su procedimenti iterativi, non sono adatte per ottenere soluzioni per questo tipo di edifici. L'uso di tecniche basate su clustering e algoritmi genetici consente di cercare predimensionamenti sismicamente più performanti, analizzando un numero ridotto di soluzioni. Nell'ambito di un contesto progettuale, il predimensionamento basato sull'AI ha migliorato del 15% le performance sismiche delle soluzioni ottenute da diversi gruppi di dottorandi di ricerca.

Il secondo caso d'uso riguarda la gestione dei flussi di dati strutturali durante la fase di costruzione.

La gestione trasparente della documentazione di cantiere è una garanzia sulla qualità del processo e quindi sulla sicurezza delle strutture realizzate. Infatti, la certificazione di tutti i flussi informativi, inclusi quelli relativi alle prove di carico, tramite Blockchain attesta la corretta esecuzione delle attività. Nella Figura 2 viene riportata l'interfaccia dell'applicativo sviluppato per la gestione dei dati nel caso studio relativo al collaudo di un retrofitting di un ponte.

Il terzo e il quarto caso d'uso affrontano il tema dell'AI per il monitoraggio delle strutture. I modelli di Machine Learning, infatti, sono in grado di apprendere il comportamento delle strutture e rilevare eventuali anomalie.

Nel terzo caso studio, viene proposto il metodo D2-DTE, che utilizza dati accelerometrici per rilevare, localizzare e quantificare i danni alle strutture. Nella Figura 3 viene mostrato un confronto tra l'accuratezza raggiunta dal metodo D2-DTE e altri metodi nella rilevazione del danno in un noto test benchmark.

Il quarto caso studio riguarda la valutazione della perdita di precompressione in ponti a graticcio in c.a.p, utilizzando misure di innovativi sensori di pressione sviluppati nel progetto INSIST. 

Il quinto caso d'uso riguarda il supporto agli ingegneri durante le ispezioni post-sisma. Infatti, i sistemi di Deep Learning possono analizzare video e immagini per aiutare gli ingegneri a rilevare, localizzare e classificare i danni da sisma. Tali sistemi possono essere installati su droni per un rapido rilevamento dello stato degli edifici subito dopo un sisma, o su tablet per supportare la compilazione e la validazione delle schede di ispezione.

Infine, il sesto caso d'uso riguarda l'utilizzo dell'algoritmo di ottimizzazione Adaptive Large Neighbourhood Search (ALNS) per la pianificazione delle attività di manutenzione di un gruppo di ponti. Ottimizzando la pianificazione temporale e le modalità di intervento, è possibile ridurre i costi e abbattere le emissioni delle attività, garantendo comunque elevati standard di sicurezza. Nella Figura 5 viene mostrato un confronto tra diverse strategie di manutenzione, evidenziando i vantaggi in termini di emissioni della soluzione basata su ALNS.

In conclusione, il lavoro di tesi esplorato le possibilità dell'AI nel settore dell'Ingegneria Strutturale, proponendo soluzioni innovative e validandole attraverso casi studio reali o simulati. È stato dimostrato che l'AI può essere un valido supporto per gli ingegneri strutturisti e che esistono diversi casi d'uso in cui tale tecnologia offre possibilità prima impensabili.

BIBLIOGRAFIA
1. Ciotta, V., Mariniello, G., Asprone, D., Botta, A., & Manfredi, G. (2021). Integration of blockchains and smart contracts into construction information flows: Proof-of-concept. Automation in Construction, 132. doi: 10.1016/j.autcon.2021.103925
2. Giacco, G., Mariniello, G., Marrone, S., Asprone, D., & Sansone, C. (2022). Toward a System for Post-earthquake safety evaluation of Masonry buildings doi:10.1007/978-3-031-06430-2\_twenty-six
3. Mariniello, G., Pastore, T., Asprone, D., & Cosenza, E. (2021). Layout-aware extreme learning machine to detect tendon malfunctions in prestressed concrete bridges using stress data. Automation in Construction, 132 doi: 10.1016/j.autcon.2021.103976
4. Mariniello, G., Pastore, T., Bilotta, A., Asprone, D., & Cosenza, E. (2022). Seismic pre-dimensioning of irregular concrete frame structures: Mathematical formulation and implementation of a learn-heuristic algorithm. Journal of Building Engineering, 46.doi: 10.1016/j.jobe.2021.103733
5. Mariniello, G., Pastore, T., Menna, C., & Asprone, D. (2019). Vibration-based learning algorithm for damage localization in structural health monitoring. Paper presented at the Proceedings of the 1st Fib Italy YMG Symposium on Concrete and Concrete Structures, FIBPRO 2019, 90-97.
6. Mariniello, G., Pastore, T., Menna, C., Festa, P., & Asprone, D. (2021). Structural damage detection and localization using decision tree ensemble and vibration data. Computer-Aided Civil and Infrastructure Engineering, 36(9), 1129-1149.
7. doi: 10.1111/mice.12633
8. Mariniello, G., Pastore, T. & Asprone, D. (2022). A metaheuristic framework to minimize carbon footprint in the maintenance of aging infrastructures. Concrete Innovation for Sustainability, Proceedings for the 6th fib International Congress 2022, 2296-2305, Oslo, Norway, June 12 – 16, 2022.