Ispezioni visive e intelligenza artificiale: modelli dinamici spazio di stato per la valutazione del degrado dei ponti esistenti in accordo con le Linee Guida = Visual inspections and Artificial Intelligence: dynamic state-space models for the assessment of the deterioration of existing bridges according to the Guidelines

In Italia, negli ultimi anni, una tematica particolarmente rilevante riguarda il degrado delle infrastrutture stradali che, di recente, ha causato crolli improvvisi e fragili, con conseguenze sia in termini di viabilità che, soprattutto, di vite umane. In questa situazione di urgenza, il 17 aprile 2020 l’Assemblea generale del Consiglio Superiore dei Lavori Pubblici ha approvato le nuove “Linee guida per la classificazione e gestione del rischio, la valutazione della sicurezza ed il monitoraggio dei ponti esistenti”, attraverso le quali vengono definite in maniera unitaria e senza potere discrezionale le modalità di realizzazione e gestione del sistema di monitoraggio delle infrastrutture stradali. Infatti, l'approccio utilizzato è definito multilivello poiché partendo dal semplice censimento delle opere da analizzare, seguendo cinque livelli ben definiti, si arriva alla determinazione di una classe di attenzione (CdA) mediante cui verranno condotte le verifiche di sicurezza. Le informazioni sulle quali si basa il sistema di gestione delle infrastrutture consistono nei risultati delle ispezioni visive che permettono di assegnare la classe di attenzione al ponte esaminato e programmare i successivi interventi. Tuttavia, da un lato le ispezioni visive sono una tecnica molto diffusa e speditiva per stabilire le condizioni dell’opera, dall’altro però presentano una serie di svantaggi dovuti alla soggettività dell’ispezione. Infatti, i risultati delle ispezioni sono affetti da errori sulle misurazioni che comportano una difficoltà nella distinzione tra la condizione reale della struttura e la misura eseguita dall’ispettore. La tesi si inquadra nell’ambito della classificazione e gestione dei ponti esistenti. In questo contesto, data la rumorosità dei dati delle ispezioni delle infrastrutture stradali, la tesi propone l’applicazione di tecniche di Machine Learning nell’ambito dell’apprendimento non supervisionato agli esiti delle ispezioni visive, al fine di ottenere una previsione del degrado di differenti elementi strutturali del ponte ispezionato. In particolare, l’analisi delle serie temporali dei risultati delle ispezioni visive sarà eseguita implementando un modello dinamico lineare bayesiano su Matlab. L’obiettivo è valutare attraverso il modello l’incertezza legata agli esiti delle ispezioni in accordo con la condizione reale della struttura e l’incertezza legata alle osservazioni dell’ispettore. Sulla base dei risultati si vuole definire un criterio con il quale programmare la manutenzione ordinaria e straordinaria del ponte in accordo con le Linee Guida, valutando la corretta priorità degli interventi e ottimizzando la scelta per gli elementi che necessitano un intervento urgente.