Ricerca sull'identificazione dei danni strutturali basata su una rete di grafi del flusso di potenza temporale

Perché è importante la salute delle grandi strutture

Ponti, grattacieli e altre grandi strutture sostengono silenziosamente la nostra vita quotidiana, ma nel corso degli anni di traffico, vento e agenti atmosferici si logorano lentamente. Gli ingegneri cercano di individuare crepe nascoste o giunti allentati prima che diventino disastri, tuttavia l'ispezione tradizionale può essere costosa, lenta e talvolta non rilevare segnali precoci. Questo studio presenta un nuovo modo di “ascoltare” le strutture mentre vibrano, utilizzando un sistema di intelligenza artificiale guidato dalla fisica che può rivelare danni sottili senza necessitare di esempi etichettati di guasto.

Ascoltare le vibrazioni come avvertimenti precoci

Quando un ponte o una struttura è sollecitata dal vento o dal traffico, vibra con schemi complessi. Gli ingegneri spesso fissano piccoli sensori di movimento (accelerometri) in molti punti per registrare queste vibrazioni. Danni come crepe o corrosione solitamente modificano la rigidezza di un elemento, il che a sua volta altera il modo in cui l'energia di vibrazione si propaga nella struttura. Molti metodi recenti utilizzano il deep learning per analizzare questi segnali e segnalare anomalie. Tuttavia, la maggior parte di questi strumenti tratta i dati solo come numeri da adattare, senza incorporare la fisica sottostante. Possono funzionare bene su dati puliti di laboratorio, ma nel mondo reale — con rumore, variazioni di temperatura e sensori talvolta difettosi — gli stessi modelli possono produrre falsi allarmi o non rilevare problemi reali.

Trasformare una struttura in una rete di flusso di energia

Gli autori propongono una strategia diversa: rappresentare la struttura come una rete di punti connessi e tracciare esplicitamente come l'energia di vibrazione fluisce tra di essi nel tempo. Nel loro Temporal Power Flow Graph Network (TPF-GNet), ogni sensore diventa un nodo nel grafo e ogni collegamento fisico tra componenti diventa un bordo con rigidezza e smorzamento apprendibili. Integrando numericamente le accelerazioni dei sensori, il metodo ricostruisce velocità e spostamento e poi calcola il flusso di potenza istantaneo — quanta energia meccanica si muove da un nodo all'altro in ogni istante. Questo flusso di potenza diventa il messaggio centrale trasmesso lungo il grafo, così il modello impara schemi che rispettano le leggi del moto anziché limitarsi ad adattare statistiche.

Insegnare alla rete cosa significa “sano”

TPF-GNet viene addestrato solo su dati provenienti da una struttura in salute, senza alcun esempio di danno. In questa fase di addestramento, il modello impara a ricostruire la storia di vibrazione di ciascun sensore target a partire dai suoi vicini simulando il flusso di energia attraverso la rete. Una volta addestrato, il sistema riceve nuovi dati di vibrazione da una struttura il cui stato è sconosciuto. Se la struttura è ancora sana, il modello può prevedere il moto di ogni sensore con buona precisione e gli errori di ricostruzione rimangono piccoli e strettamente distribuiti. Se si è verificato un danno — in particolare perdita di rigidezza in una trave o colonna — il vero flusso di energia diverge da quanto il modello si aspetta e gli errori di ricostruzione diventano più grandi e più diffusi. Gli autori riassumono questo cambiamento con un singolo fattore sensibile al danno derivato da quanto la distribuzione degli errori si allarga e si appiattisce, e fissano soglie usando solo dati sani.

Test su ponti virtuali e telai reali

Per testare l'approccio, i ricercatori hanno prima usato un modello al computer dettagliato di un vero ponte pedonale, introducendo diversi livelli e posizioni di riduzione della rigidezza mentre simulavano misure sensoriali rumorose. Hanno inoltre confrontato TPF-GNet con una rete neurale su grafi standard e con un modello per serie temporali (LSTM) privo della fisica esplicita. In trenta scenari — incluse piccole perdite di rigidezza del 5–10% e tipi di rumore impegnativi come deriva a bassa frequenza e disturbi non stazionari — il nuovo metodo ha identificato i danni in modo più accurato e con tassi di falsi allarmi inferiori. In molti casi TPF-GNet ha mantenuto oltre il 90% di accuratezza di rilevamento dove i modelli di confronto scendevano vicino o sotto il 70%. Il team ha poi validato il metodo su un telaio in scala di laboratorio dotato di sedici sensori, dove potevano introdurre danni controllati a travi e colonne selezionate. Anche in questo caso, gli errori di ricostruzione e i fattori di danno maggiori si raggruppavano attorno agli elementi effettivamente danneggiati, e le prestazioni miglioravano costantemente con l'aumentare della severità del danno.

Che cosa significa questo per strutture più sicure

Per chi non è specialista, il punto chiave è che questo metodo fonde i punti di forza della fisica e del machine learning: non si limita a cercare schemi nei dati, ma “sa” anche come l'energia dovrebbe fluire attraverso una struttura sana. Quando la realtà si discosta da questa aspettativa, il sistema segnala le zone problematiche, anche in condizioni rumorose e del mondo reale. Poiché richiede solo dati di base di strutture sane, è adatto a molti ponti e edifici per i quali disponiamo di anni di monitoraggio ma non di esempi etichettati di guasto. Se adottati su larga scala, approcci come TPF-GNet potrebbero aiutare i gestori delle infrastrutture a rilevare i danni prima, a prioritizzare la manutenzione in modo più intelligente e a estendere la vita utile in sicurezza delle strutture critiche.

Citazione: Wu, X., Lan, C., Zhang, C. et al. Research on structural damage identification based on temporal power flow graph network. Sci Rep 16, 6898 (2026). https://doi.org/10.1038/s41598-026-37356-7

Parole chiave: monitoraggio dello stato delle strutture, rilevamento dei danni nei ponti, IA informata dalla fisica, reti neurali su grafi, sensori di vibrazione