Tecniche integrate per l'identificazione dinamica di murature storiche: interferometria radar, accelerometri e Deep Learning

The conservation of historical masonry infrastructures represents a complex challenge for civil engineering, made even more urgent by the growing awareness of the seismic vulnerability of such structures, dramatically highlighted by the seismic events of recent decades (Assisi 1997, L'Aquila 2009, Emilia 2012, Amatrice 2016, Irpinia 1980). Bridges, aqueducts, towers, and religious buildings are not only tangible testimonies of cultural heritage but often still serve an active function in transportation networks and the daily life of communities. The need to assess and improve the safety of these structures conflicts with a fundamental constraint: the preservation of the historical and architectural integrity of the structure, which renders invasive investigation techniques impractical. This necessitates the development of non-destructive or minimally destructive methodologies capable of providing qualitative and quantitative information on the state of conservation and structural behavior without compromising the integrity of the asset. The present research addresses this challenge by proposing an integrated approach that synergistically combines two complementary measurement techniques — accelerometry and radar interferometry — with advanced Deep Learning architectures. The main objective is to develop and validate an expeditious, non-invasive, high spatial resolution methodology for the dynamic identification of historical masonry bridges, overcoming the intrinsic limitations of each technique when used individually. Accelerometers, in fact, offer high temporal fidelity and accurate estimates of natural frequencies and damping ratios but suffer from low spatial density. Radar interferometry, conversely, provides extremely high spatial density (tens or even hundreds of range bins) and directly measures displacement along the line of sight but is penalized by a low signal-to-noise ratio on poorly reflective materials such as tuff, by dynamic clutter generated by metallic elements, and by tripod-induced vibrations. The proposed methodology is articulated into three innovative contributions. The first concerns the development and comparison of three 1D convolutional autoencoder architectures for radar signal denoising: an unsupervised autoencoder (trained on clean radar signals), a supervised residual autoencoder (noise component estimation), and a supervised direct autoencoder (direct noisy-to-clean signal mapping). Results demonstrate that the unsupervised approach is the most robust and consistent across all measurementv positions (SNR improvement up to 26.5 dB, correlation with the accelerometric target equal to 0.9997), with the advantage of not requiring any accelerometric ground truth. The second contribution consists of the development of a suite of open-source Python scripts for Operational Modal Analysis (OMA), aimed at overcoming the limitations of commercial software (black-box nature, limited customizability, license costs). The suite implements the FSDD (Frequency-Spatial Domain Decomposition), pLSCF (poly-reference Least Squares Complex Frequency), and SSI (Stochastic Subspace Identification) algorithms, with functionalities for automatic peak picking from the CMIF (Complex Mode Indication Function) and estimation of modal damping ratios using the -3 dB half-power bandwidth method. Cross-validation with ARTeMIS Modal showed excellent agreement for the first mode (error < 3%) and acceptable discrepancies for the second and third modes (errors of 9-13%). The third and most innovative contribution is the Dual-Branch Deep Fusion architecture for radar-accelerometer integration. The developed neural network features two specialized parallel branches: Branch R (radar, high spatial density) processes 19 denoised radar signals extracting spatio-temporal features; Branch A (accelerometers, high temporal fidelity) processes a selectable number of accelerometric signals (from 2 to 20 channels) extracting temporal and modal features. The two streams are fused through an attention mechanism that dynamically learns the optimal weighting of the contributions from the two sensors, and the model outputs the natural frequencies, damping ratios, and high spatial resolution mode shapes for the first three vibration modes of the structure. The methodology was experimentally validated on the Borbonico Bridge of Lama Monachile (Polignano a Mare, Bari), an 18th-century historical five-arch tuff bridge. The measurement campaign involved the simultaneous installation of 20 monoaxial accelerometers (placed in pairs in vertical and horizontal directions at the keystones of the five arches) and an IBIS-FS radar interferometer operating in three different positions (POS1, POS3, POS5-7) to capture both horizontal and vertical displacement components. The obtained results demonstrate that the Dual-Branch model can estimate natural frequencies with an error below 2% (target values: 7.154 Hz, 12.697 Hz, 18.300 Hz), achieve Pearson correlations between estimated and target mode shapes exceeding 0.99 (0.9886, 0.9937, 0.9923 respectively), and correctly classify the first two modes (translational and torsional). The sensitivity analysis conducted by progressively reducing the number of accelerometers showed that the architecture maintains high performancevi even with simplified instrumental configurations: with only 8 accelerometers, the average frequency error remains below 3.5% and the average correlation exceeds 0.96, suggesting that the Deep Fusion protocol can be effectively employed even in constrained contexts where the installation of a dense network of contact sensors is impractical. The research results have significant implications for engineering practice: the proposed methodology enables the recovery of radar acquisitions that would otherwise be discarded due to low signal-to-noise ratio, significantly increases the spatial resolution of mode shapes compared to accelerometers alone, reduces the time and costs of inspection campaigns (radar setup of 15-30 minutes versus hours or days for accelerometers), and allows non-invasive operation on heritage-listed structures where the installation of contact sensors is prohibited. The high spatial resolution mode shapes obtained constitute an ideal reference for calibrating digital twins and for planning scheduled maintenance interventions. The main limitations of the method concern the dependence on training data for supervised approaches and the need for accelerometers to define the targets, although the unsupervised autoencoder offers a valid alternative. The sensitivity analysis demonstrated that the model maintains high performance even with a reduced number of accelerometers: with 8 accelerometers, the average frequency error is 3.46% (correlation 0.964); with only 4 accelerometers, the average error rises to 5.12% (correlation 0.912), with the first two modes still correctly identified. These limitations outline equally many directions for future research: extending the approach to other masonry bridges using transfer learning techniques, implementing the model on embedded systems for real-time analysis, integrating with Physics-Informed Neural Networks (PINNs) to improve the interpretability of the estimates (particularly for the correct classification of higher-frequency modes), and applying the methodology to long-term monitoring campaigns for early damage detection.

La conservazione delle infrastrutture storiche in muratura rappresenta una sfida complessa per l'ingegneria civile, resa ancora più urgente dalla crescente consapevolezza della vulnerabilità sismica di tali opere, drammaticamente evidenziata dagli eventi sismici degli ultimi decenni (Irpinia 1980, Assisi 1997, L'Aquila 2009, Emilia 2012, Amatrice 2016). Ponti, acquedotti, torri e edifici religiosi non sono soltanto testimonianze tangibili del patrimonio culturale, ma spesso assolvono ancora una funzione attiva nelle reti di trasporto e nella vita quotidiana delle comunità. La necessità di valutare e migliorare la sicurezza di queste strutture si scontra con un vincolo fondamentale: la conservazione dell'integrità storica e architettonica del manufatto, che rende impraticabili le tecniche di indagine invasive. Da qui nasce l'esigenza di sviluppare metodologie non distruttive o debolmente distruttive, capaci di fornire informazioni qualitative e quantitative sullo stato di conservazione e sul comportamento strutturale senza compromettere l'integrità del bene. La presente ricerca affronta questa sfida proponendo un approccio integrato che combina sinergicamente due tecniche di misura complementari: l'accelerometria e l'interferometria radar, con architetture avanzate di Deep Learning. L'obiettivo principale è sviluppare e validare una metodologia speditiva, non invasiva e ad alta risoluzione spaziale per l'identificazione dinamica di ponti storici in muratura, superando i limiti intrinseci di ciascuna tecnica se utilizzata singolarmente. Gli accelerometri, infatti, offrono un'elevata fedeltà temporale e stime accurate di frequenze naturali e rapporti di smorzamento, ma soffrono di una bassa densità spaziale; l'interferometria radar, al contrario, garantisce una elevatissima densità spaziale (decine o anche centinaia di range bin) e misura direttamente lo spostamento lungo la linea di vista, ma è penalizzata da un basso rapporto segnale-rumore su materiali scarsamente riflettenti come il tufo, da clutter dinamici generati da elementi metallici e da vibrazioni indotte dal treppiedi di supporto. La metodologia proposta si articola in tre contributi innovativi. Il primo riguarda lo sviluppo e il confronto di tre architetture di autoencoder convoluzionale 1D per il denoising di segnali radar: un autoencoder non supervisionato (addestrato su segnali radar puliti), un autoencoder residuale supervisionato (stima della componente di rumore) e un autoencoder diretto supervisionato (mappatura diretta segnale rumoroso-segnale pulito). I risultati dimostrano che l'approccio non supervisionato è il più robusto e consistente suii tutte le postazioni di misura (miglioramento dell'SNR fino a 26,5 dB, correlazione con il target accelerometrico pari a 0,9997), con il vantaggio di non richiedere alcun ground truth accelerometrico. Il secondo contributo consiste nella realizzazione di una suite di script in linguaggio Python open-source per l'Analisi Modale Operazionale (OMA), finalizzata a superare i limiti dei software commerciali (natura black-box, scarsa personalizzazione, costi di licenza). La suite implementa gli algoritmi FSDD (Frequency-Spatial Domain Decomposition), pLSCF (poly-reference Least Squares Complex Frequency) e SSI (Stochastic Subspace Identification), con funzionalità di rilevamento automatico dei picchi dalla CMIF (Complex Mode Indication Function) e stima degli smorzamenti modali mediante il metodo della larghezza di banda a -3 dB (half-power bandwidth method). La validazione incrociata con ARTeMIS Modal ha mostrato un ottimo accordo per il primo modo (errore < 3%) e scostamenti accettabili per il secondo e terzo modo (errori del 9-13%). Il terzo e più innovativo contributo è l'architettura Dual-Branch di Deep Fusion per l'integrazione radar-accelerometri. La rete neurale sviluppata presenta due rami paralleli specializzati: il Branch R (radar, alta densità spaziale) elabora 19 segnali radar denoised estraendo feature spazio-temporali; il Branch A (accelerometri, alta fedeltà temporale) elabora un numero selezionabile di segnali accelerometrici (da 2 a 20 canali) estraendo feature temporali e modali. I due flussi vengono fusi attraverso un meccanismo di attenzione che apprende dinamicamente la ponderazione ottimale dei contributi dei due sensori, e il modello produce in output le frequenze naturali, i rapporti di smorzamento e le forme modali ad alta risoluzione spaziale per i primi tre modi di vibrare della struttura. La metodologia è stata validata sperimentalmente sul Ponte Borbonico di Lama Monachile (Polignano a Mare, Bari), un ponte storico in tufo a cinque archi del XVIII secolo. La campagna di misura ha coinvolto l'installazione simultanea di 20 accelerometri monoassiali (posizionati a coppie in direzione verticale e orizzontale in corrispondenza delle chiavi di volta dei cinque archi) e di un interferometro radar IBIS-FS operante in tre diverse postazioni (POS1, POS3, POS5-7) per catturare sia le componenti di spostamento orizzontali che quelle verticali. I risultati ottenuti dimostrano che il modello Dual-Branch è in grado di stimare le frequenze naturali con errore inferiore al 2% (valori target: 7,154 Hz, 12,697 Hz, 18,300 Hz), raggiungere correlazioni di Pearson tra le forme modali stimate e quelle target superiori a 0,99 (0,9886, 0,9937, 0,9923 rispettivamente) e classificareiii correttamente i primi due modi (traslazionale e torsionale). L'analisi di sensibilità condotta riducendo progressivamente il numero di accelerometri ha mostrato che l'architettura mantiene prestazioni elevate anche con configurazioni strumentali semplificate: con soli 8 accelerometri, l'errore medio sulle frequenze rimane al di sotto del 3,5% e la correlazione media supera 0,96, suggerendo che il protocollo di Deep Fusion può essere efficacemente impiegato anche in contesti vincolati dove l'installazione di una fitta rete di sensori a contatto è impraticabile. I risultati della ricerca hanno rilevanti implicazioni per la pratica ingegneristica: la metodologia proposta consente di recuperare acquisizioni radar altrimenti scartate a causa del basso rapporto segnale-rumore, di aumentare significativamente la risoluzione spaziale delle forme modali rispetto ai soli accelerometri, di ridurre tempi e costi delle campagne di ispezione (setup radar di 15-30 minuti contro ore o giorni per gli accelerometri), e di operare in modo non invasivo su beni vincolati dove l'installazione di sensori a contatto è vietata. Le forme modali ad alta risoluzione spaziale ottenute costituiscono un termine di riferimento ideale per la calibrazione di gemelli digitali (Digital Twins) e per la pianificazione di interventi di manutenzione programmata. Le principali limitazioni del metodo riguardano la dipendenza dai dati di addestramento per gli approcci supervisionati e la necessità di accelerometri per la definizione dei target, sebbene l'autoencoder non supervisionato offra una valida alternativa. L'analisi di sensibilità ha dimostrato che il modello mantiene prestazioni elevate anche con un numero ridotto di accelerometri: con 8 accelerometri l'errore medio sulle frequenze è del 3,46% (correlazione 0,964); con soli 4 accelerometri l'errore medio sale al 5,12% (correlazione 0,912), con i primi due modi ancora correttamente identificati. Queste limitazioni delineano altrettante direzioni per gli sviluppi futuri della ricerca: l'estensione dell'approccio ad altri ponti in muratura mediante tecniche di transfer learning, l'implementazione del modello su sistemi embedded per l'analisi in tempo reale, l'integrazione con Physics-Informed Neural Networks (PINN) per migliorare l'interpretabilità delle stime (in particolare per la corretta classificazione dei modi a frequenze più elevate), e l'applicazione della metodologia a campagne di monitoraggio a lungo termine per il rilevamento precoce del danno.