Monitoraggio strutturale con accelerometri Analisi dei segnali con algoritmi su software Python = Structural monitoring with accelerometers Signal analysis with algorithms on Python software

Negli ultimi anni il monitoraggio strutturale (SHM) è stato ampiamente sviluppato e utilizzato in molti rami dell'ingegneria, in particolare nel campo automobilistico, aerospaziale e civile. Lo scopo di questa tipologia di monitoraggio è quello di sviluppare sistemi autonomi integrati in grado di monitorare una struttura, consentendone l'ispezione con il minimo intervento umano. Rappresenta quindi un processo di implementazione di una strategia di identificazione del danno attraverso la quale, osservando una struttura con una certa periodicità, è possibile ottenere una valutazione delle caratteristiche del sistema, al fine di definire il suo stato di salute attuale. L'identificazione dinamica di una struttura comprende tutte quelle tecniche, sia analitiche che sperimentali, attraverso le quali è possibile individuare la risposta dinamica della struttura stessa. Pertanto, con questa tipologia di analisi è possibile ottenere informazioni legate ad una struttura, quali frequenze naturali e corrispondenti forme modali o anche coefficienti di smorzamento. Esistono due tipi di tecniche di analisi EMA (Experimental Modal Analysis) è un'analisi in cui è noto l'input dinamico quindi si basa sulla conoscenza della forzatura del sistema strutturale e sulla lettura della sua risposta e OMA (Operational Modal Analysis) in cui l'input è sconosciuto quindi consente di ottenere risultati affidabili basati sul monitoraggio della sola risposta strutturale del sistema, soggetto ad eccitazione ambientale arbitraria. I metodi OMA sono principalmente utilizzati nelle strutture civili poiché a causa della loro grande scala sono difficili da eccitare da una forza controllata d’altro canto sono caratterizzati da una notevole complessità e da un elevato sforzo computazionale, non sostenibile per un sistema di monitoraggio in tempo reale. La necessità di metodi SHM con un minor sforzo computazionale è aumentata negli ultimi anni e ciò è stato ottenuto con l'uso di reti neutre artificiali (ANN) direttamente ai dati di risposta strutturale che hanno rappresentato una delle prospettive più interessanti e stimolanti. Con la mia tesi sono stati analizzati i dati di laboratorio su due travi tese in alluminio sottoposte solo ad eccitazione ambientale e su una delle due vengono simulati diversi livelli di danneggiamento. Successivamente sono stati applicati tre diversi metodi OMA di complessità crescente per valutare gli effetti del danno simulato sul comportamento dinamico del sistema. La rielaborazione dei dati è stata eseguita su ambiente Phyton e sono stati valutati i parametri modali con i tre modelli OMA più comunemente utilizzati ovvero Peak-Picking, Covariance-driven Stochastic Subspace Identification (Cov-SSI) e PolyMAX. L’onere computazionale dei tre metodi usati è risultato essere sempre più alto e ha richiesto tempi di elaborazione sempre crescenti al susseguirsi dell’utilizzo dei metodi stessi. Inoltre, essendo Phyton un software gratuito, la programmazione dei modelli suddetti richiede un settaggio ottimale in quanto utilizza un solo processore di calcolo e di conseguenza i tempi di elaborazione sono abbastanza elevati a fronte di una quantità elevata di dati. Una considerazione finale emersa dal lavoro svolto è che il metodo Peak-Picking presenta alcune lacune per il monitoraggio delle strutture in ambito civile, contrariamente i metodi Cov-SSI e PolyMAX hanno permesso di ottenere buoni risultati.