Una delle principali questioni che affliggono il settore dello Structural Health Monitoring (SHM) è l'indisponibilità di dati provenienti da diverse condizioni strutturali. Spesso infatti, le moderne tecniche di damage identification basate sulle vibrazioni sfruttano algoritmi di machine learning per migliorare l'interpretazione della grande mole di dati di monitoraggio. Questi algoritmi vengono “addestrati” su uno specifico dataset (training set) che auspicabilmente contiene dati relativi a più condizioni strutturali possibili, in modo da fornire al classificatore/regressore degli esempi di come la risposta strutturale si modifica a seguito di danneggiamenti. Purtroppo, avere a disposizione un ampio spettro di dati per le strutture civili è piuttosto raro, poichè la raccolta di dati per diversi stati di danno è spesso irrealizzabile o non conveniente: essa teoricamente prevedrebbe il danneggiamento intenzionale della struttura, la raccolta di dati relativi a tale condizione e la successiva riparazione che riporti i parametri diagnostici alle condizioni iniziali.