Uso di modelli finiti avanzati e algoritmi di intelligenza artificiale per l’individuazione del danno in strutture in materiale composito

Il lavoro di questa tesi si concentra su un’evoluzione dello Structural Health Monitoring, ovvero quella parte che si basa sull’intelligenza artificiale. Fino ai giorni nostri il fine è sempre stato la risoluzione del problema diretto, ovvero fornito il danno si investigava sul cambiamento che questo induceva ai modi di vibrare della struttura. Con l’avvento delle reti neurali, ci si è posti invece l’obiettivo di risolvere il problema inverso: fornite le frequenze con la quale un componente vibra, essere in grado di andare ad individuare posizione e intensità del danno. Questa tesi mira ad esplorare le reti neurali, fornendo un’introduzione sullo stato dell’arte. Il lavori di studio si è diviso in due parti. La prima parte ha riguardato l’elaborazione della struttura da analizzare e la creazione di un database, così com’è richiesto dal metodo Monte Carlo, in cui i vari componenti vengono danneggiati in maniera randomica al fine di creare quanti più casi possibili. La seconda parte dello studio si è concentrata sull’allenamento della rete neurale attraverso l’uso di questi database e alla ricerca di valori ottimali di alcuni parametri che permettessero alla rete di poter essere in grado di gestire i casi non presenti nel database. Una volta trovati tali valori ottimali, l’obiettivo era complicare la struttura per ottenere un modello che fosse quanto più preciso possibile con dei casi reali. Quello che è stato estrapolato dai risultati è come i fattori in gioco nell’allenamento della rete influenzino gli output: di conseguenza si è palesata la necessità di accettare un compromesso tra semplicità strutturale e una bassa precisione riispetto ad un caso reale, o viceversa elevata complessità strutturale e alta un elevato grado di accuratezza dei risultati.