Uso di nuove tecnologie cost-effective per la gestione del patrimonio di ponti e viadotti esistenti

Messa a punto una strategia multilivello da applicare all'intero inventario nazionale di ponti e viadotti

In Italia, i numerosi crolli che hanno interessato ponti esistenti hanno determinato un forte impatto sull’opinione pubblica relativamente al tema di sicurezza delle reti infrastrutturali, aprendo la strada ad un processo di definizione sistematica delle strategie di mitigazione dei rischi a cui tali strutture sono soggette. In particolare, grande risonanza ha avuto il crollo del Viadotto Polcevera, a valle del quale il Ministero delle Infrastrutture e Infrastrutture e della Mobilità Sostenibile ha emanato le nuove “Linee Guida per la classificazione e gestione del rischio, la valutazione della sicurezza ed il monitoraggio dei ponti esistenti”.

La strategia adottata dalle Linee Guida consiste nella definizione di una strategia multilivello da applicare all’intero inventario nazionale di ponti e viadotti per la prioritizzazione e gestione del rischio. L'approccio multilivello proposto è costituito da sei distinti livelli di indagine a complessità crescente da implementare in modo sequenziale. I primi tre livelli consistono in una valutazione preliminare e semplificata del patrimonio infrastrutturale sulla base di una procedura sistematica e strutturata di censimento, ispezione e classificazione dei rischi delle opere secondo classi di attenzione crescente.

Gli ultimi tre livelli permettono quindi di stabilire le azioni da intraprendere verso le specifiche strutture (ad esempio, indirizzando demolizioni e ricostruzioni, consolidamenti, o sottoposto a restrizioni delle condizioni di servizio come limitazioni del traffico), in funzione dell’esito dei primi tre livelli.

Focalizzandosi sui primi tre livelli, le Linee Guida definiscono un livello 0, che consiste nella raccolta completa di documentazione progettuale originale relativa ai ponti della rete oggetto di studio, al fine di reperire tutti i dati esistenti sulle caratteristiche strutturali, parametri geometrici e meccanici, oltre che le informazioni sul contesto in cui l’opera si colloca, relative ai rischi ambientali e idrogeologici.

Il livello 1 consiste nell'ispezione visiva dei ponti, effettuata da ispettori che periodicamente identificano potenziali fonti di vulnerabilità, rilevano la difettosità relativa a ciascun ponte e a tutti i suoi elementi strutturali e valutano potenziali interferenze del ponte rispetto a fenomeni di pericolosità di contesto. Sulla base delle informazioni raccolte nel livello 1, Il livello 2 permette quindi di definire la “classe di attenzione”, che viene quantificata dalle Linee Guida da cinque livelli (basso, medio-basso, medio, medio-alto e alto) e offre una stima dell’intensità dei rischi, strutturale, sismico, idraulico e geologico.

Nonostante il quadro di lavoro delineato dalle Linee Guida non appaia complesso, l’esperienza sul campo ha evidenziato diversi problemi operativi nella applicazione dei livelli 0 e 1. Per il livello 0, soprattutto per le opere più vetuste, il problema principale è rappresentato dalla frequente indisponibilità della documentazione, che, in numerosi casi, risulta essere addirittura assente.

Per quanto riguarda il livello 1, sono le ispezioni in situ, che ne costituiscono la fase fondamentale, a presentare alcune criticità. Sebbene le osservazioni visive offrano un modo diretto e rapido per identificare problemi di degrado o eventuali vulnerabilità aggiuntive, alcuni inconvenienti possono influenzare la definizione della difettosità.

La prima fonte di incertezza è quella legata alla soggettività dell’ispettore nel definire i valori di estensione e intensità da associare ai singoli difetti, nonostante solitamente i rilevatori siano ben istruiti. Inoltre, l’inaccessibilità ad alcuni componenti del ponte, come ad esempio gli appoggi o le testate delle travi, potrebbe limitare una classificazione dei difetti completa accurata.

A ciò si aggiunge il problema della elevata disponibilità di tempo e risorse umane richieste, dato che mediamente occorre una giornata lavorativa per effettuare un rilievo accurato di tutti gli elementi strutturali di circa 4/5 campate, spesso il numero di ponti da ispezionare è molto alto. Infine, si osserva che alcuni fenomeni naturali interferenti con (ad esempio, i fenomeni gravitativi a cinematica lenta) non sono semplici da identificare, e richiedono l’intervento di esperti per ogni tipologia di rischio indagato.

Alla luce di tali situazioni, risulta quanto mai opportuno un supporto integrativo nell’espletamento delle fasi relative al livello 1, che può essere fornito dalle nuove tecniche legate all’innovazione digitale le quali. anche se non possono sostituire in toto le tecniche tradizionali, possono essere un prezioso ausilio agli operatori per ridurre i tempi e gli sforzi richiesti nell’applicazione delle Linee Guida.

In questo articolo, vengono proposte alcune soluzioni atte a migliorare e supportare le attuali metodologie di ispezione, seguendo l’idea di impiegare l’innovazione digitale in termini di tecniche a basso costo, dette “cost-effective”. Tali metodologie, oggetto di continuo sviluppo nella ricerca scientifica, saranno dettagliate nei prossimi capitoli e mirano a migliorare le attuali valutazioni dello stato di salute dei ponti, offrendo modalità innovativi per la valutazione del rischio e la definizione delle priorità.

Tecnologie cost-effective per l'analisi e monitoraggio dei ponti esistenti

Uso del deep learning per rilevare difetti nei ponti esistenti

Negli ultimi anni, le tecniche di machine learning (ML) sono state ampiamente utilizzate nel campo dell'ingegneria strutturale, con l'obiettivo di risolvere problemi complessi o definire delle relazioni input-output. Una branca di tali applicazioni consiste nel deep learning (DL), che permette di ottenere informazioni dalle immagini. Soprattutto parlando di ponti esistenti, le tecniche basate su DL possono essere impiegate per il rilevamento automatico dei difetti, come mostrato in diverse applicazioni di letteratura.

In particolare, possono essere menzionate molte applicazioni sul rilevamento delle fessure, generalmente considerate come uno dei più significativi fenomeni di difettosità dei ponti esistenti. Al fine di considerare più tipologie di difetti, in accordo agli attuali requisiti delle Linee Guida relativamente al livello 1, vengono solitamente impiegate le reti neurali convoluzionali (CNN), che vengono allenate su un dataset di immagini di difetti su cui l’esperto di dominio (che in questo caso corrisponde ad un tecnico ispettore) effettua un’etichettatura manuale (che consiste nel riconoscere e localizzare un difetto in una foto, annotandolo).

Un esempio sviluppato dagli autori può essere trovato nello studio di Cardellicchio et al, in cui, sulla base di un dataset preparato dagli stessi autori, otto architetture di CNN sono state utilizzate al fine di riconoscere sette differenti tipologie di difetti tipici dei ponti in calcestruzzo armato, proponendo nuove metriche per spiegare i risultati e le previsioni ottenute.

Risultati ancora più interessanti possono essere ottenuti utilizzando approcci di object detection in cui, a differenza delle CNN, i difetti specifici vengono classificati e localizzati all'interno di un'immagine. Un approccio popolare è rappresentato dalla famiglia di modelli discendenti da “You Look Only Once” (YOLO), definito come un single-stage object detector, ovvero che combina in un’unica rete neurale le funzioni di classificazione e localizzazione di oggetti di interesse all’interno di un’immagine, raggiungendo una buona precisione con sforzi computazionali sostenibili.

In particolare, le architetture appartenenti alla famiglia YOLO sono caratterizzate da un’architettura composta da tre parti, ovvero una backbone, che permette di estrarre feature di rilievo dall’immagine, un neck, che combina informazione a diversi livelli di astrazione, aggiungendo quindi informazioni contestuali alle feature precedentemente estratte, ed un detection head, caratterizzato da un insieme di layer convoluzionali atti ad effettuare le operazioni di localizzazione e classificazione, risultanti in una o più bounding box associate agli oggetti individuati e caratterizzate da un certo confidence score.

Con l'obiettivo di utilizzare YOLO allo scopo di rilevare difetti per i ponti esistenti in calcestruzzo armato, di seguito si riporta l’esperienza degli autori, in cui diverse versioni di YOLOv5 sono state utilizzate per sviluppare uno strumento per rilevare automaticamente i difetti e per ridurre la soggettività delle ispezioni in situ.

A tal fine, è stato considerato un dataset di riferimento, caratterizzato da circa 6500 immagini relative a diversi ponti ispezionati. Per ogni immagine, è stata effettuata un'etichettatura considerando sette classi di difetti, ovvero fessure, armatura corrosa, calcestruzzo deteriorato, vespai, macchie di umidità, degrado della pavimentazione stradale, e fessurazioni da ritiro, ottenendo un totale di etichette pari a circa 10000. Sebbene le Linee Guida richiedano una classificazione più raffinata dei difetti, questa prima proposta è stata sviluppata con riferimento ad un sottoinsieme di difetti scelti tra i più comuni osservati durante le ispezioni.

Utilizzando questo dataset, sono state allenate diverse versioni dell’architettura base YOLOv5, ciascuna di densità, e quindi numero di parametri differente. Utilizzando un computer dotato di un processore Intel Core-i9 13900K, una RAM da 64 GB, e una scheda grafica del tipo NVIDIA GeForce 3090 con 24 GB VRAM, tutte le immagini sono state prima ridimensionate a 960 pixel e i processi di training/test e validazione sono stati effettuati dividendo il dataset iniziale tra il 75% e il 25%, rispettivamente. I risultati ottenuti sono stati valutati per mezzo di tre parametri, ovvero Precision (P), Recall (R) e mean Average Precision (mAP), così come definito di seguito:

dove TP, FP e FN indicano true positive, false positive, e false negative, rispettivamente, mentre l’APi indica la precisione media per la classe i-esima. Tra i modelli addestrati, sulla base dei dati a disposizione, YOLOv5x, ovvero la versione a maggiore densità di YOLOv5, ha mostrato le migliori prestazioni (P = 86,90%, R = 58,17%, mAP = 54,52%).

...Continua a leggere l'articolo nel PDF.

Nei prossimi paragrafi si parlerà di:

• Uso dei dati satellitari per monitorare deformazioni anomale dei ponti;
• Uso di modelli analitici automatizzati per la definizione della fragilità dei ponti esistenti soggetti a carichi di esercizio;
• Conclusioni e sviluppi futuri