Emissione Acustica e Machine Learning per l'Identificazione del Danno e il Monitoraggio Strutturale = Acoustic Emission and Machine Learning for Damage Detection and Structural Monitoring

Nel campo del monitoraggio strutturale, la tecnica delle emissioni acustiche (AE) risulta essere uno dei metodi più ampiamente utilizzati. Si tratta di una tecnica di prova non distruttiva (NDT) che impiega le onde elastiche transitorie generate dall’insorgenza e dall’evoluzione di cricche per monitorare la struttura in tempo reale. Tra le sue principali caratteristiche troviamo la capacità di identificare e localizzare il danno, attraverso la determinazione affidabile ed esatta del tempo di inizio, e la capacità di identificare la modalità di fessurazione a partire da parametri registrati. L'obiettivo del presente lavoro di Tesi è rilevare in maniera automatica il tempo di insorgenza (Onset time) dei segnali di emissione acustica con l'ausilio di algoritmi di intelligenza artificiale, più in particolare di reti neurali artificiali (ANN). Ispirate al cervello umano, quest’ultime rappresentano l’elemento centrale degli algoritmi di deep learning. Per il rilevamento automatico dell’onset time sono stati utilizzati due differenti approcci. Nel primo caso si è utilizzata una particolare rete neurale convoluzionale (Faster R-CNN) pre-addestrata su un dataset di grandi dimensioni. Questo ha permesso di sfruttare la tecnica del transfer learning, una valida alternativa al training da zero che permette di velocizzare i tempi di addestramento, diminuire la potenza di elaborazione richiesta e incrementare l’accuratezza della rete a fronte di un set di dati di allenamento relativamente contenuto. Per il secondo approccio si è utilizzata una rete neurale convoluzionale ricorrente (CRNN) inserita nel contesto della sound event detection (SED), classe di metodi il cui fine è quello di riconoscere in quali istanze temporali diversi suoni sono attivi all’interno di un segnale audio. Dato l’evidente parallelismo tra i segnali AE e quelli sismici, l’addestramento delle due reti è avvenuto mediante l’utilizzo di quest’ultimi. Il loro reperimento è stato reso possibile grazie a ITACA (ITalian ACcelerometric Archive), l’archivio italiano delle forme d’onda accelerometriche che contiene più di 50,000 forme d’onda. Entrambe le reti hanno permesso il raggiungimento dell’obiettivo prefissato. Tuttavia, la seconda risulta essere più vantaggiosa: essa, infatti, trattando l’individuazione del tempo di insorgenza come problema di classificazione, è in grado anche di identificare la modalità di fessurazione.