La sicurezza delle gallerie autostradali richiede strumenti capaci di supportare in modo rapido e affidabile le decisioni legate al monitoraggio e alla valutazione del rischio. Questa tesi, sviluppata nell'ambito del Master in High Performance Computing in collaborazione tra SISSA MathLab e Lombardi Group, propone uno studio preliminare sull'utilizzo di metodi numerici e tecniche di intelligenza artificiale per analizzare l'evoluzione dei difetti nelle gallerie e automatizzare la stima della relativa Classe di Attenzione. Il lavoro considera algoritmi come la Dynamic Mode Decomposition e sue varianti per predire l'evoluzione temporale dei difetti, insieme a reti neurali convoluzionali per il riconoscimento e la segmentazione di immagini, con l'obiettivo di velocizzare il calcolo degli indicatori di rischio. Vengono inoltre discusse strategie per migliorare la qualità dei dati disponibili e buone pratiche per la loro futura raccolta e gestione.
PAROLE CHIAVE: sicurezza gallerie, difetti strutturali, Dynamic Mode Decomposition, reti neurali convoluzionali, riconoscimento immagini, segmentazione immagini, Classe di Attenzione
DURATA DEL PROGETTO: 6 mesi
PARTNER: SISSA MathLab, Lombardi Group
PERSONE COINVOLTE: Antonio Sciarappa, Nicola Demo, Giovanni Stabile, Gianluigi Rozza (PI)
Tunnel safety requires tools capable of supporting fast and reliable decisions related to monitoring and risk assessment. This thesis, developed within the Master in High Performance Computing as a collaboration between SISSA MathLab and Lombardi Group, presents a preliminary study on the use of numerical methods and artificial intelligence techniques to analyze the evolution of tunnel defects and automate the estimation of the corresponding Class of Attention. The work focuses on algorithms such as Dynamic Mode Decomposition and its variants to predict the time evolution of defects, together with convolutional neural networks for image recognition and image segmentation, with the aim of speeding up the computation of risk indicators. Strategies to address limitations in the available data are also discussed, along with best-practice recommendations for future data collection and storage.
KEYWORDS: tunnel safety, structural defects, Dynamic Mode Decomposition, convolutional neural networks, image recognition, image segmentation, Class of Attention
PROJECT DURATION: 6 months
PARTNER: SISSA MathLab, Lombardi Group
PEOPLE INVOLVED: Antonio Sciarappa, Nicola Demo, Giovanni Stabile, Gianluigi Rozza (PI)
