APPROCCI E STRUMENTI DIGITALI PER LA VALUTAZIONE DEL DEGRADO DI ELEMENTI IN C.A.

In recent years, Artificial Intelligence (AI) has revolutionized the field of civil engineering, offering new possibilities for structural monitoring and damage diagnosis. This thesis aims to evaluate the effectiveness of machine learning algorithms in the semi-automated analysis of concrete deterioration, comparing the results with those obtained through manual mapping. The adopted methodology involves drone-based photogrammetry for data acquisition, followed by the generation of point clouds and high-resolution orthophotos. The degradation was classified both manually and through three automated segmentation algorithms, with a specific focus on crack detection and other forms of deterioration. The comparison between different techniques was conducted based on accuracy, segmentation error, and processing time, to assess the strengths and limitations of automated methods. The results show that AI algorithms can be a valuable tool for damage detection, significantly reducing analysis time compared to traditional methods. However, some critical issues were identified, such as difficulties in correctly segmenting finer cracks or distinguishing between different types of damage. These limitations highlight the need to refine learning models and integrate additional data to improve the performance of automated analysis.

Negli ultimi anni, l’Intelligenza Artificiale (IA) ha rivoluzionato il settore dell’ingegneria strutturale, offrendo nuove possibilità per il monitoraggio e la diagnosi del degrado strutturale. L’obiettivo di questa tesi è valutare l’efficacia di algoritmi di machine learning nell’analisi semi-automatizzata delle patologie del calcestruzzo, confrontando i risultati con quelli ottenuti tramite mappatura manuale. La metodologia adottata prevede l’acquisizione dei dati attraverso fotogrammetria con drone, con successiva generazione di nuvole di punti e ortofoto ad alta risoluzione. Il degrado è stato classificato sia manualmente sia tramite tre algoritmi di segmentazione automatizzata, con particolare attenzione alla rilevazione delle fessurazioni e di altre forme di deterioramento. Il confronto tra le diverse tecniche è stato effettuato considerando accuratezza, errore di segmentazione e tempo di elaborazione, al fine di determinare i punti di forza e i limiti dei metodi automatizzati. I risultati mostrano che gli algoritmi di IA possono rappresentare un valido strumento per l’identificazione del degrado, riducendo il tempo di analisi rispetto al metodo tradizionale. Tuttavia, si evidenziano anche alcune criticità, come la difficoltà di segmentare correttamente le fessurazioni più sottili o differenziare le diverse tipologie di danno. Questi limiti suggeriscono la necessità di affinare i modelli di apprendimento e integrare ulteriori dati per migliorare le prestazioni dell’analisi automatizzata.