Titolo della tesi: La gestione delle infrastrutture stradali al fine del prolungamento della loro vita residua: applicazioni dell’Automated Machine Learning per la valutazione del rischio di ponti esistenti
Le infrastrutture stradali, essenziali per la mobilità e lo sviluppo economico delle società moderne, devono affrontare sfide crescenti per effetto del deterioramento progressivo. Ponti e viadotti, in particolare, subiscono degrado a causa di fattori ambientali, carichi sempre più elevati e invecchiamento dei materiali. In Italia, questa problematica è esacerbata dall'eterogeneità e dalla vetustà delle infrastrutture.
Le recenti “Linee Guida per la classificazione e gestione del rischio, la valutazione della sicurezza ed il monitoraggio dei ponti esistenti" (LLGG) [1,2], hanno introdotto un approccio metodologico per la valutazione della sicurezza e la gestione dei ponti stradali su scala nazionale. Tuttavia, pur rappresentando un passo avanti verso una gestione più strutturata delle infrastrutture, comportano un elevato onere applicativo e la necessità di processi di valutazione complessi. In questo contesto, assume particolare importanza lo sviluppo di strumenti computazionali per supportare la gestione e la manutenzione dei ponti esistenti coerentemente con le LLGG.
L’adozione di tecnologie innovative, come gli algoritmi di Machine Learning (ML), sta emergendo come soluzione strategica per migliorare la sicurezza, la resilienza e la sostenibilità delle infrastrutture.
In questo contesto si inserisce il presente studio di tesi, che si è svolto nel quadro del P.O.N. (Programma Operativo Nazionale Ricerca e Innovazione 2014-2020) e ha previsto lo stage in azienda per sei mesi presso la MT Ricci S.r.l., che lavora da anni nel campo della gestione dei rischi di edifici e ponti esistenti, e ha sviluppato un software basato sul ML per la valutazione speditiva del rischio sismico di edifici su scala territoriale.
Durante la tesi sono stati implementati e validati diversi algoritmi utili come supporto all’applicazione della procedura di gestione basata sulle LLGG.
In primo luogo, è stato sviluppato un algoritmo per l’analisi dei parametri normativi per generare e valutare configurazioni strutturali rispetto al rischio, quantificato in Classi di Attenzione (CdA). L’utilizzo di tecniche di Automated Machine Learning (AutoML), sulle configurazioni generate, ha permesso di addestrare modelli con un insieme ridotto di parametri facilmente reperibili da dati censuari e valutazioni speditive, per analisi previsionali delle CdA rispetto ai rischi strutturali e sismici. I modelli sono stati validati sperimentalmente attraverso un campione di ponti reali ispezionati durante il lavoro di tesi.
Parallelamente, sono state eseguite anche attività finalizzate alla validazione di algoritmi di deep learning per l’identificazione automatizzata dei difetti strutturali, con particolare attenzione all’analisi delle immagini e alla valutazione del degrado su pile da ponte. È stato, inoltre, condotto uno studio sulla valutazione del rischio per opere di luce inferiore a sei metri che non sono comprese nelle LLGG.
I risultati ottenuti hanno mostrato che è possibile prevedere accuratamente le CdA utilizzando un insieme ridotto di parametri, evitando la necessità di determinare il Livello di Difettosità che è il parametro più difficile da determinare nei casi reali. Inoltre, l’utilizzo di software per il riconoscimento automatico dei difetti strutturali, mediante l’analisi di ortofoto ottenute da droni ha dimostrato enormi potenzialità nel poter essere usato come strumento di supporto alle attività ispettive riducendo il tasso di soggettività del processo.
Lo sviluppo di un metodo semplificato per la valutazione del rischio di opere di piccola luce ha evidenziato come una procedura più snella, sia in termini di onerosità del processo sia in termini risorse utilizzate, sia capace di cogliere efficacemente gli aspetti della procedura completa.