Analisi delle anomalie nel monitoraggio strutturale: un approccio basato sul Variational Autoencoder

Lo Structural Health Monitoring (SHM) sta assumendo un ruolo sempre più rilevante nella valutazione continua dell'integrità delle infrastrutture civili e industriali, grazie alla possibilità di acquisire dati dinamici in modo automatico e costante. Nonostante i vantaggi offerti, la diffusione di tali sistemi è ancora limitata da alcune criticità, tra cui la presenza di dati non etichettati, il rumore ambientale e la gestione di grandi quantità di informazioni difficili da interpretare. La presente tesi si concentra su tre aspetti ancora poco indagati nel contesto dello SHM: la selezione degli algoritmi più robusti per il monitoraggio non supervisionato, l'influenza delle variazioni di temperatura sulle prestazioni dei modelli e lo studio della quantità minima di dati necessaria per avviare un monitoraggio affidabile. Per affrontare queste tematiche, sono stati condotti tre esperimenti in cui sono stati confrontati approcci basati su machine learning classico e reti neurali profonde. I risultati ottenuti indicano che, sebbene entrambi i metodi siano capaci di rilevare anomalie in condizioni controllate, i modelli Autoencoder, β-VAE e β-CVAE offrono prestazioni superiori e una maggiore robustezza, anche quando si dispone di una quantità limitata di dati di addestramento e in presenza di variazioni termiche, mantenendo un tasso di errore inferiore al 2%. Le evidenze raccolte forniscono quindi indicazioni utili per progettare sistemi SHM più efficienti e resilienti, offrendo spunti concreti per sviluppi futuri in ambito industriale e civile.