RICERCA ITALIANA     

Programma di ricerca

Metodi ed Algoritmi integrati per la diagnostica Non Distruttiva di Beni Architettonici

Università di riferimento

Università degli Studi di CAGLIARI - INGEGNERIA ELETTRICA ED ELETTRONICA - CAGLIARI(CA)

Responsabile dell'Unità di ricerca

Barbara CANNAS

Descrizione

L'avvento di metodologie analitiche di recente sviluppo ha aperto nuove strade per il perfezionamento delle tecniche Non Distruttive (ND) in genere, consentendo di formulare ipotesi per il superamento di problematiche che in passato hanno reso inaffidabili tali metodologie a causa di molteplici fattori, fra i quali si ricordino i più salienti:

- scarsa risoluzione e precisione dei risultati delle indagini, dovute a strumenti matematici poco avanzati;
- soggettività delle interpretazioni dei risultati stessi delle prospezioni da parte dell'operatore, al quale si richiede ampia esperienza nel settore;
- impossibilità dell'utilizzo congiunto di dati e risultati provenienti da sistemi multisensore, se non tramite confronti visivi e quindi soggettivi e non rigorosi.

Al fine di contribuire al superamento delle problematiche sopraccitate, l'Unità n.4 si propone lo sviluppo di tecniche di Soft Computing, Modellazione, Data Fusion, e Decision Fusion per il trattamento di dati provenienti da diversi sistemi di indagine Non Distruttiva (ND) su opere murarie di pregio ed in particolare, su strutture di importanza monumentale, civile o industriale realizzate in muratura di pietra o di mattoni e in calcestruzzo e cemento armato.
Per quanto riguarda i sistemi di indagine ND, l'Unità n.4 si occuperà di acquisire dati provenienti da prospezioni Soniche. Attualmente è a disposizione dell'unità di ricerca un tool per rilievi sonici, costituito da un oscilloscopio digitale, un martello strumentato, un ricevitore, ed un PC. Il sistema fornisce la misura del tempo di propagazione delle onde soniche. L'attrezzatura commerciale in dotazione all'Unità è stata già utilizzata sia su campioni di materiale lapideo recuperato da cave o materiali di risulta, sia su varie strutture monumentali, messe a disposizione dal Comune dove opera l'Unità n.4 e dalla Sovrintendenza ai Beni Culturali, sia su calcestruzzi in laboratorio e in situ. E' quindi disponibile un ampio insieme di misure. Per le stesse strutture, scelte come casi di test, si utilizzeranno anche i dati provenienti da misure ultrasoniche, elettromagnetiche, e termografiche, messe a disposizione dalle altre Unità di Ricerca coinvolte nel progetto.
L'Unità n.4 possiede competenze diversificate e complementari sia sulle tecniche di elaborazione dati, modellazione, ottimizzazione e soft computing, che di diagnostica non distruttiva. In particolare, i ricercatori del settore ING-IND/31 Elettrotecnica, saranno affiancati dai docenti del settore ICAR 09 Tecnica delle costruzioni, che da anni svolgono la loro attività di ricerca nell'ambito dell'utilizzo di tecniche soniche ed ultrasoniche, pull-out, pull-off, termografia, martinetti piatti, etc., nella diagnostica e nel controllo strutturale.

L'applicazione del metodo di indagine non distruttiva di tipo sonico è finalizzata al conseguimento dei seguenti obiettivi:

- Valutazione del livello di omogeneità della struttura, dal punto di vista fisico ed elastomeccanico;
- Identificazione dell'eventuale presenza di zone o elementi strutturali deteriorati e valutazione del loro degrado;
- Stima delle caratteristiche elastomeccaniche dei materiali (resistenza, modulo elastico);
- Configurazione, geometria e dislocazione di eventuali singolarità quali vuoti o inclusioni, o più in generale variazione locale delle caratteristiche del mezzo.

La prima fase del progetto sarà indirizzata all'individuazione dei "difetti" che si vorranno isolare: ad esempio discontinuità (crepe o dissesti) nella struttura; zone a maggior densità, frutto di compressioni dovute a cedimenti; vuoti o cavità in genere; etc. Infatti, i problemi da affrontare presentano una casistica assai varia in quanto vi sono notevoli differenze tra gli interventi diagnostici necessari in relazione alle opere murarie sotto indagine.
Individuata la tipologia di target, quindi, si procederà con la selezione di casi di benchmark di cui siano già disponibili dati da diversi sensori o su cui sia possibile effettuare facilmente altre misure. In questa parte del progetto l'Unita n.4 si avvarrà di valutazioni di esperti e di studi accurati su obbiettivi di cui siano già note le carenze strutturali (quali vuoti o discontinuità) da utilizzare come riscontro e come training set, essendo già definita, in tal caso, la corrispondenza misura-difetto o misura-parametri dell'obbiettivo.

La seconda fase riguarderà l'acquisizione di misure soniche tramite martello strumentato e singolo trasduttore piezoelettrico o array di trasduttori. Verranno acquisite serie temporali relative a differenti tipologie di misure, ossia:
- più misure ripetute per lo studio dello stesso obbiettivo con medesimo accoppiamento sorgente-trasduttore, necessarie per il calcolo e lo studio dell'andamento dell'errore ambientale e strumentale, per la verifica della ripetibilità della misura, epurando quest'ultima dalle specifiche della singola prova (intensità dell'impatto della sorgente, angolo di posizionamento del trasduttore, accoppiamento trasduttore-oggetto), e per la generazione di misure sintetiche che costituiscano il training set dei sistemi di diagnosi supervisionati;
- più misure acquisite per lo studio dello stesso obbiettivo utilizzando un array di trasduttori e variando la localizzazione dei punti di energizzazione per ottenere un insieme di misure da trattare con tecniche tomografiche o per l'acquisizione di onde superficiali. Per la realizzazione di questa sottofase, ci si avvarrà delle tecniche di array processing, sviluppate dall'Unità n.2;
- più misure relative allo studio di differenti sezioni contigue aventi il medesimo asse in modo da ottenere una prospezione riferita all'obbiettivo nelle sue tre dimensioni.

In seguito alla fase di acquisizione, si rende necessario il trattamento primario delle serie temporali ottenute. Ai fini della definizione di un sistema efficiente è, infatti, necessario predisporre i dati in un formato adeguato. Per quanto riguarda la pre-elaborazione l'Unità n.4 intende ricorrere alle tecniche che saranno studiate ed implementate dall'unità n.1 e dall'unità n.2, per l'individuazione delle caratteristiche dei segnali misurati rappresentative del fenomeno allo studio, il filtraggio del rumore e l'integrazione di dati eventualmente mancanti a causa di guasti o usura dei sensori, o per verificare la presenza di outliers.

La terza fase del progetto verterà sull'elaborazione dei dati allo scopo di ottenere le Grandezze Significative per l'interpretazione degli eventi (presenza-assenza di difetti, classificazione dei difetti stessi). Infatti, come già esposto precedentemente, nell'ambito di tecniche d'indagine quali quelle soniche, il dato acquisito non corrisponde al dato d'interesse per l'analisi della struttura in esame, il che rende necessaria un'elaborazione analitica per estrarre l'informazione utile.
A tal fine si farà ricorso alla Modellazione Inversa e alle tecniche di risoluzione di problemi Inversi Mal Posti. Si svilupperanno tecniche di individuazione, e ottimizzazione, e sarà implementato un algoritmo di Regolarizzazione ottimale sviluppato fra quelli di ultima generazione (Regolarizzazioni Variazionali, POCS Algorithms per la risoluzione di problemi di deconvoluzione, Metodi Precondizionati e, nell'ambito di metodi alla Tikhonov, algoritmi per la valutazione del parametro di Regolarizzazione quali il metodo di Weldoz, L-curve e via dicendo).
Il problema di Modellazione Inversa sarà affrontato utilizzando anche metodologie di inversione basate su tecniche Neurali sulle quali l'Unità n.4 possiede una consolidata esperienza.
Questa fase del progetto restituirà i valori delle grandezze significative per lo studio dell'obbiettivo in esame. Nel caso della prospezione sonica, esse consistono nella densità del mezzo e nei parametri elastici. Tali grandezze possono essere calcolate direttamente o tramite la velocità di propagazione delle onde elastiche trasversali e/o longitudinali (tramite, eventualmente, l'analisi di onde superficiali) nel mezzo in esame.

Per le successive fasi, l'Unità n.4 farà uso anche delle grandezze caratteristiche restituite dalle elaborazioni delle altre unità, ossia i valori provenienti dalle misure Elettromagnetiche, dalle misure Termografiche, ed i valori di Velocità e dei parametri elastici restituiti dalle misure Ultrasoniche, che si differenziano dai valori ottenuti dalle prospezioni Soniche in quanto provvisti di maggiore risoluzione ma di bassa profondità di penetrazione.

Le grandezze significative dovranno essere ulteriormente elaborate, tramite tecniche di Feature Extraction e Data Reduction, allo scopo di restituire queste ultime in formati opportuni ad effettuare una prima analisi per massimizzare la qualità e la significatività delle informazioni. Tali tecniche saranno sviluppate dall'Unità n.1 e adattate alle varie grandezze ricavate.

La quarta fase del progetto verterà sullo sviluppo e applicazione di tecniche per la fusione sistematica e non soggettiva di dati provenienti da prospezioni acustiche multidirezionali e multisensoriali.
In primo luogo, allo scopo di migliorare la qualità dei risultati e svincolare le interpretazioni multisezione e multisensore dalla sola analisi qualitativo-soggettiva, è possibile ricorrere a tecniche di Data Fusion (DF).
Si rende, dunque, necessaria l'implementazione di una piattaforma di fusione dei dati acquisiti ed elaborati tramite tecniche di Inversione, al fine di ottenere un unico risultato ottimizzato per ogni sezione e per ogni sensore, che possa essere trasferito alla successiva piattaforma di interpretazione.
Gli algoritmi di DF, necessari in questa fase, sono relativi ad una fusione delle informazioni al cosiddetto "Feature level", ossia al livello di identificazione delle caratteristiche di una misura per restituire un "sunto" delle informazioni provenienti da diversi sensori o da diverse misure, al fine di estrarre informazioni significative per l'analisi. A tale scopo è opportuno utilizzare una o più tecniche combinate di DF fra le quali, le più significative sono:
- algoritmi basati su approcci Bayesiani in senso stretto, che sono gli unici che possono essere definiti strettamente statistici, e si basano sull'utilizzo della teoria di Bayes della Massima Probabilità a Posteriori (MAP) modificata tramite la Teoria del Minimo Rischio (MRT);
- algoritmi Bayesiani di tipo "Naive", in cui l'espressione della funzione Discriminante calcolata nella MRT è semplificata tramite l'ipotesi di indipendenza del livello di confidenza dei sensori per ogni classe;
- Dempster-Shafer theory, in cui ad ogni sensore è assegnata una "probability mass" per ogni decisione (ad esempio per la scelta fra "mezzo integro"o "presenza di vuoto"), che tiene conto anche dell'incertezza relativa al dato sensore;
- tecniche Fuzzy, in cui la condizione di appartenenza ad una classe di un dato oggetto varia nell'intervallo reale [0 1], piuttosto che essere una variabile booleana come negli approcci statistici;
- algoritmi di tipo Rule-based, che forniscono una serie di soglie e di condizioni da verificare per accettare un elemento in una classe;
- tecniche di Voting fusion. Esse consistono in una specializzazione della Rule-based fusion.

La quinta fase del progetto riguarderà lo sviluppo di tecniche di Soft Computing a livello decisionale-interpretativo. Ottenuta una rappresentazione unica dei dati multiprospezionali e multisensoriali, infatti, è necessario fornire un'interpretazione degli stessi alla luce degli obbiettivi che si stanno ricercando. In passato le applicazioni di tecnologie neurali per l'interpretazione di risultati di indagini ND, sono state per lo più di tipo industriale, come per la ricerca di difetti in materiali metallici. La letteratura è invece carente per quanto riguarda l'applicazione di tecniche di Soft Computing ad opere murarie di pregio. L'unità n.4 si propone di sviluppare tecniche interpretative tramite l'utilizzo di classificatori neurali di tipo supervisionato, allenati anche tramite il data set delle valutazioni di esperti effettuate su obbiettivi noti. Ci si propone di fornire una prima correlazione dato-difetto, affiancata dalle interpretazioni fornite dall'unità n.1, che farà uso di tecniche di classificazione (o clusterizzazione) di tipo Non-supervisionato e Fuzzy.

In seguito all'ottenimento dei set di interpretazioni, sarà necessaria l'implementazione di una piattaforma decisionale per ottenere la risposta finale del sistema tramite l'utilizzo di tecniche di Decision Fusion.
Nell'ultimo decennio è cresciuto l'interesse nei confronti di un nuovo approccio alla classificazione, basato sul fatto che classificatori diversi commettono solitamente errori diversi, ovvero ognuno di essi esibisce prestazioni migliori in determinati sottoinsiemi dello spazio delle feature. Se tali sottoinsiemi sono sufficientemente distinti, si può trarre vantaggio dall'utilizzazione congiunta delle informazioni provenienti da classificatori diversi, in modo da sfruttare i punti di forza di ciascuno di essi.
In letteratura sono stati proposti diversi criteri per la combinazione delle uscite dei singoli classificatori. Essi posso essere distinti sulla base della loro complessità. I criteri semplici si basano su regole di combinazione ‘fisse' come il majority voting o la media semplice. I criteri complessi usano tecniche adattative o basate sulla conoscenza (addestrabili) come il voting pesato o il Behaviour Knowledge space rule.
Nella sesta fase, l'Unità n.4 realizzerà una piattaforma decisionale basata su criteri che ricalchino la logica degli algoritmi Weighted e Rule-based.

Il diagramma seguente riporta l'organizzazione temporale delle diverse fasi del progetto, indicando anche le interazioni con le altre unità.