Spiking Neural Networks per il monitoraggio strutturale basato su emissioni acustiche

L’Industria 5.0 promuove l’integrazione tra intelligenza artificiale, sostenibilità ed efficienza energetica, con l’obiettivo di sviluppare soluzioni tecnologiche ad alte prestazioni e basso impatto ambientale. In questo contesto, le architetture neuromorfiche rappresentano un’opportunità strategica per applicazioni industriali, grazie al loro funzionamento ispirato al cervello umano, basato su elaborazione event-driven e codifica tramite spike, che consente di ridurre i consumi energetici mantenendo elevate capacità computazionali. Un ambito applicativo rilevante è il monitoraggio strutturale basato su Emissioni Acustiche (EA), tecnica non distruttiva che rileva e localizza fenomeni di danneggiamento (e.g., cricche, delaminazioni) associati al rilascio locale di energia. La localizzazione precisa delle sorgenti EA è cruciale per garantire sicurezza, manutenzione predittiva e affidabilità. La presente tesi propone lo sviluppo di una rete neurale spiking (SNN) in grado di affrontare un problema di regressione per la localizzazione spaziale di sorgenti acustiche. A partire da dati simulati di emissioni acustiche su una piastra di alluminio, il modello elabora i segnali registrati e ne prevede le coordinate di origine. I risultati dimostrano che l’approccio basato su SNN risulta competitivo rispetto alle tradizionali reti neurali convoluzionali (CNN), con un vantaggio decisivo dal punto di vista energetico, elemento essenziale per rendere la soluzione compatibile con una implementazione in tempo reale. L'ottimizzazione energetica diventa ancora più rilevante qualora la rete venga implementata su acceleratori e processori neuromorfici, i quali permettono di superare i limiti di consumo e di efficienza propri delle CPU, aprendo la strada a un’integrazione pratica e sostenibile di tali sistemi in scenari reali.