Monitoraggio della salute strutturale di un ponte ferroviario con accelerometri MEMS low-noise

Daniel Colmenares & Gabriel Antonio del Pozo Alarcón
Norwegian University of Science and Technology
July 1, 2026
I ponti ferroviari europei, ormai datati, richiedono un monitoraggio affidabile per rilevare i primi segni di danno strutturale. Presso la Hell Bridge Test Arena in Norvegia, i ricercatori hanno confrontato gli accelerometri standard con la tecnologia MEMS low-noise di Dewesoft per valutare in che modo la qualità dei sensori migliori il monitoraggio della salute strutturale basato sulle vibrazioni e il rilevamento dei danni tramite machine learning.

Introduzione
In questo progetto, diversi accelerometri sono stati confrontati mediante l'analisi della densità spettrale di potenza (PSD) per valutare in che modo gli accelerometri low-noise influenzino la stima delle proprietà dinamiche strutturali ai fini del rilevamento dei danni e del monitoraggio a lungo termine.
Lo studio ha incluso un modello agli elementi finiti (FE) del ponte, una valutazione del sistema di misura esistente, un confronto con i dispositivi di misura Dewesoft e la proposta progettuale per un sistema completo di monitoraggio della salute strutturale Dewesoft.
Il progetto dimostra i vantaggi dell'architettura di misura distribuita di Dewesoft per le applicazioni di monitoraggio a lungo termine, tra cui un'installazione più rapida, un cablaggio ridotto, una maggiore immunità elettromagnetica, costi di implementazione inferiori e minori tempi di inattività dell'infrastruttura. Nei sistemi di monitoraggio Dewesoft, un singolo cavo può trasportare alimentazione, segnale e sincronizzazione, semplificando la messa in opera su strutture di grandi dimensioni.
Perché i ponti ferroviari datati necessitano di un monitoraggio continuo
Una quota significativa delle infrastrutture di trasporto europee si sta avvicinando alla fine della propria vita utile di progetto originaria o l'ha già superata, rendendo il monitoraggio continuo fondamentale per garantire sicurezza e funzionalità. Come mostrato nella Figura 1, in Norvegia gran parte dei ponti in acciaio e in pietra è stata costruita prima del 1960 e alcuni hanno superato un secolo di esercizio.
La Commissione Europea segnala che molti ponti dell'UE affrontano sfide analoghe legate all'invecchiamento, aggravate dall'aumento dei carichi di traffico, dalle sollecitazioni ambientali e dall'evoluzione dei requisiti di sicurezza (Olofsson et al., 2005).
Queste condizioni aumentano il rischio di degrado strutturale, evidenziando la necessità di tecnologie di sensoristica avanzate in grado di fornire dati continui e ad alta risoluzione. Tali sistemi consentono il rilevamento precoce delle anomalie, supportando strategie di manutenzione predittiva che prolungano la vita utile e riducono le chiusure non programmate.
Hell Bridge Test Arena: un banco di prova reale per i ponti ferroviari
La Hell Bridge Test Arena (Figura 2) è costituita da un ponte reticolare in acciaio chiodato costruito tra il 1902 e il 1905.
Dal 2016 il ponte è fuori servizio. In precedenza faceva parte della linea Hell-Sunnan, attraversando il fiume Steinkjerelva presso la stazione di Hell, nel villaggio di Hell, circa 30 km a est di Trondheim.
Il ponte è lungo 35 m e largo 4,5 m, con fondazioni in calcestruzzo che lo sostengono su entrambe le sponde del fiume.
Come illustrato nella Figura 3, la struttura del ponte è costituita da due pareti laterali, un impalcato e un sistema di controventi laterali. Nel 2020, il ponte ha svolto un ruolo centrale in uno studio sperimentale di riferimento su larga scala (Svendsen et al., 2024).
I ricercatori hanno introdotto una serie di scenari di danno controllati monitorando continuamente le prestazioni della struttura. La Figura 3 presenta una panoramica delle tipologie e delle posizioni dei danni introdotti sul ponte (da DS 1 a DS 8). Abbiamo esaminato quattro categorie:
Danni nei collegamenti tra i longheroni e i traversi
Rimozione delle travi trasversali dei longheroni
Danni nei collegamenti dei controventi laterali
Danni nei collegamenti che uniscono i traversi agli elementi portanti principali.
Queste rappresentano le tipologie di danno più frequentemente riportate in letteratura, in particolare il degrado legato alla fatica che si verifica nell'impalcato del ponte e al di sotto di esso. Sono inoltre tra le forme di danno più gravi, ma al contempo più rilevanti, per la tipologia di ponte analizzata in quello studio
Analisi agli elementi finiti del ponte
Il modello agli elementi finiti (FE) è stato sviluppato in ABAQUS utilizzando i dati provenienti da ispezioni in sito e disegni tecnici. Esso include i principali componenti strutturali del ponte, come le pareti verticali, l'impalcato e i controventi laterali, nonché la struttura secondaria dell'impalcato per supportare un'accurata identificazione del danno.
Ulteriori elementi secondari e non strutturali sono stati rappresentati come masse concentrate sull'impalcato per ottenere una distribuzione realistica delle masse. È stato adottato un approccio basato su elementi trave. Un'estremità del ponte è stata modellata come un appoggio fisso, vincolato nelle direzioni globali x, y e z. L'estremità opposta è stata modellata come un appoggio scorrevole, parzialmente vincolato nella direzione globale x mediante elementi molla e completamente vincolato nelle direzioni y e z.
La Figura 5 mostra il modello FE risultante del ponte.
Setup sperimentale di misura
Per valutare le prestazioni del sistema SHM esistente, sono state raccolte misure da accelerometri installati in configurazioni di sensori sia locali che globali.
Sistema di misura esistente
È stato utilizzato un sistema di acquisizione dati National Instruments per raccogliere i dati di accelerazione da due gruppi di sensori installati sul ponte:
Il Gruppo di Sensori 1 (SG1) era costituito da accelerometri Dytran 3055D3, che misuravano la risposta verticale locale dell'impalcato del ponte nella direzione globale z.
Il Gruppo di Sensori 2 (SG2) comprendeva accelerometri Dytran 3583BT e Dytran 3233A, che misuravano la risposta globale del ponte nelle direzioni laterale e verticale, corrispondenti alle direzioni globali y e z.
I dati sono stati registrati a 400 Hz. Prima dell'analisi, i segnali sono stati depurati dal trend, filtrati passa-basso e ricampionati a 100 Hz. La Figura 5 mostra la disposizione della strumentazione.
Sistema di misura Dewesoft IOLITEi 3xMEMS
I sensori IOLITE 3xMEMS sono accelerometri ad alte prestazioni con grado di protezione IP67 che fanno parte di una famiglia di dispositivi di acquisizione dati. Integrano un accelerometro MEMS triassiale a basso rumore, la conversione analogico-digitale e un'interfaccia EtherCAT, il tutto basato sulla piattaforma modulare DAQ IOLITE.
I sensori IOLITEi 3xMEMS possono misurare la componente continua (DC) del campo di accelerazione (gravità) e rilevare accelerazioni quasi-statiche fino a 0 Hz. I dispositivi Dewesoft IOLITEi 3xMEMS-ACC offrono prestazioni a bassissimo rumore.
Il modello IOLITEi 3xMEMS-ACC ha una densità spettrale di rumore di 25 µg/√Hz, mentre l'IOLITEi 3xMEMS-ACC-S presenta una densità spettrale di rumore ultra-bassa pari a 0,7 µg/√Hz, paragonabile ai migliori accelerometri a bilanciamento di forze (Force Balanced) della categoria, come mostrato nelle Figure 6 e 7. Lo chassis impermeabile IP67 è disponibile per tutte le configurazioni e può operare in un ampio intervallo di temperatura, da -50 °C a 65 °C.
Linee di misura EtherCAT in configurazione daisy-chain
I dispositivi IOLITE 3xMEMS sono basati su tecnologia EtherCAT e sono sincronizzati tra loro con una precisione fino a 1 μs. Questa sincronizzazione è fondamentale quando si esegue l'analisi modale operazionale (OMA) per comprendere la dinamica strutturale, incluse le frequenze naturali, le forme modali e i rapporti di smorzamento.
Più dispositivi possono essere distribuiti su strutture di grandi dimensioni e sincronizzati utilizzando un singolo cavo CAT6 economico. I dispositivi sono collegati in configurazione daisy-chain, con una distanza fino a 100 m tra un nodo e l'altro.
È possibile utilizzare un cavo Ethernet schermato standard, purché soddisfi le specifiche richieste: SFTP CAT5e o superiore, quattro coppie intrecciate e una sezione minima del conduttore di 24 AWG. Questa configurazione semplifica l'installazione mantenendo al contempo una comunicazione e una sincronizzazione affidabili lungo tutta la catena di misura.
Un iniettore di alimentazione PoE (Power over Ethernet) passivo combina il segnale EtherCAT e l'alimentazione in un unico cavo. L'iniettore di alimentazione IOLITE® è un dispositivo industriale dotato di elettronica integrata per la protezione contro transitori veloci (burst) e sovratensioni (surge). La Figura 8 mostra una tipica configurazione hardware.
È possibile coprire grandi distanze utilizzando un singolo cavo CAT6 che si estende fino a 100 m tra un nodo e l'altro e può essere esteso fino a 200 m mediante un ripetitore IOLITE, come mostrato nelle Figure 9 e 10.
Infine, introducendo uno switch EtherCAT PoE, è possibile ottenere una configurazione a stella che sincronizza completamente più linee EtherCAT entro 1 microsecondo, come mostrato nella Figura 11.
Inoltre, è possibile collegare facilmente in daisy-chain un altro switch Beckhoff, consentendo al sistema Dewesoft di supportare configurazioni più elaborate, se necessario.
Integrazione di sensori di accelerazione, deformazione, temperatura e spostamento
Il sistema Dewesoft include l'IOLITE 1xSTG, un amplificatore estensimetrico a canale singolo con configurazioni interne a quarto di ponte, mezzo ponte e ponte intero. Sono disponibili eccitazioni con sorgente di tensione e corrente a basso rumore con livelli liberamente impostabili. Gli intervalli di ingresso spaziano da 50 V a 100 mV. I dati vengono trasferiti tramite EtherCAT a un PC, consentendo l'integrazione di più sensori all'interno della stessa catena di misura, come mostrato nella Figura 12.
Installazione semplificata con un unico cavo per dati, alimentazione e sincronizzazione
Il sistema Dewesoft facilita l'installazione, poiché il cavo EtherCAT consente di collegare più sensori e amplificatori nella stessa catena di misura, fornendo alimentazione, segnale e sincronizzazione attraverso un unico cavo, come mostrato nella Figura 13.
A differenza dei sistemi centralizzati, in cui ogni singolo sensore richiede un proprio cavo analogico (SENZA immunità elettromagnetica) per ciascun canale, come mostrato nella Figura 14. Il sistema Dewesoft riduce al minimo il cablaggio.
Vantaggi del sistema Dewesoft per il monitoraggio dei ponti
L'installazione del sistema Dewesoft comporta numerosi vantaggi, tra cui:
Riduzione al minimo del cablaggio (costi inferiori).
Riduzione al minimo dei tempi di installazione (costi inferiori per l'integratore di sistema, meno problemi per il proprietario dell'infrastruttura).
Riduzione al minimo delle interruzioni del traffico (costi inferiori per il proprietario e il gestore dell'infrastruttura).
Immunità elettromagnetica (segnali di alta qualità anche in presenza di linee elettriche nelle vicinanze, come nei ponti ferroviari).
Elevata espandibilità del sistema.
Sincronizzazione al microsecondo.
Integrazione di qualsiasi sensore.
Funzionalità cloud per l'archiviazione su server e dashboard.
Sistemi di allarme e trigger per avvisi tempestivi, archiviazione ottimizzata dei dati e canali matematici.
Elevato livello di affidabilità, con l'integrazione e la sincronizzazione simultanea di oltre 100 sensori.
La Figura 15 mostra un esempio di soluzione Dewesoft applicata all'Hell Bridge. Con poche linee di misura EtherCAT è possibile integrare e sincronizzare più sensori, riducendo al minimo i tempi di installazione, il cablaggio e le interferenze elettromagnetiche.
Analisi rapida dei segnali in DewesoftX
Il software di acquisizione dati DewesoftX consente un'analisi immediata dei dati subito dopo la misura. In questo caso, è stata utilizzata l'analisi della densità spettrale di potenza (PSD) per un rapido controllo della qualità dei dati, come mostrato nella Figura 16.
La PSD è stata calcolata utilizzando una finestra di Hanning con sovrapposizione al 90% e calcolo della media, consentendo di valutare in modo efficiente le principali componenti in frequenza e la qualità del segnale.
Machine learning per l'identificazione del danno sotto carico ambientale
Una delle principali sfide nel monitoraggio della salute strutturale basato sulle vibrazioni è la variabilità ambientale e operativa (EOV). Le variazioni di temperatura, umidità, vento e carico operativo possono nascondere i reali indicatori di danno o generare cambiamenti che appaiono come un danno. Un esempio ben noto è il caso del ponte I-40, in cui gli effetti della temperatura sulle frequenze modali hanno mascherato la presenza di un effettivo danno strutturale.
Un modo per ridurre l'influenza dell'EOV consiste nel monitorare la struttura in condizioni di carico più costanti. Meixedo et al. (2021) hanno dimostrato che l'utilizzo di passaggi ferroviari di riferimento ripetibili può contribuire a ridurre la variabilità causata dal mutare delle condizioni operative e di traffico. Concentrandosi su eventi ripetibili, diventa più semplice distinguere un comportamento strutturale anomalo dalle normali variazioni nei dati.
Presso l'Hell Bridge Test Arena (HBTA), è possibile applicare un approccio analogo analizzando i dati relativi a specifiche finestre temporali a bassa attività, come quella dalle 2:00 alle 5:00 del mattino, quando il vento costituisce con ogni probabilità la principale fonte di eccitazione. In queste condizioni, i sensori a basso rumore sono essenziali per acquisire dati vibrazionali di alta qualità.
Per valutare questo aspetto, abbiamo confrontato il livello di rumore di fondo dei sensori installati con un nuovo sensore Dewesoft progettato per offrire un'elevata sensibilità e prestazioni a bassissimo rumore. Il sensore Dewesoft è stato installato sulla trave trasversale 4, in prossimità della parete nord, come mostrato nel pannello inferiore della Figura 17.
Il sensore Dewesoft è stato quindi confrontato con i sensori installati più vicini: il sensore triassiale AG3 e i sensori monoassiali AL11, AL12 e AL16. Questi sensori sono evidenziati con riquadri tratteggiati color magenta nei pannelli superiori della Figura 17. Il confronto è stato effettuato visualizzando le densità spettrali di potenza (PSD) dei dati raccolti sia dal sensore Dewesoft sia dai sensori installati, come mostrato nella Figura 18.
Quando si raccolgono dati vibrazionali di alta qualità utilizzando sensori a basso rumore, si tiene adeguatamente conto della variabilità ambientale e operativa (EOV) e si applicano tecniche avanzate di machine learning, diventa possibile distinguere un effettivo danno strutturale dalla normale variabilità.
La Figura 19 illustra come misure precise, combinate con algoritmi avanzati, consentano di rilevare in modo affidabile i danni nei ponti. L'approccio inizia modellando i campioni di accelerazione mediante modelli autoregressivi (AR), che catturano il comportamento dinamico del ponte in un insieme compatto di coefficienti.
Abbiamo quindi confrontato a coppie ciascun campione di accelerazione utilizzando la distanza quadratica di Mahalanobis (MSD), una metrica statistica che tiene conto sia della posizione delle caratteristiche sia delle loro correlazioni.
Abbiamo elaborato la matrice delle distanze risultante (si veda la Figura 19) con HDBSCAN (Hierarchical and Density-Based Clustering for Applications with Noise), un algoritmo di clustering che raggruppa automaticamente pattern simili e li etichetta come "normale", "outlier" o "potenzialmente danneggiato".
Quando applicato all'HBTA, dove le reali condizioni del ponte sono note, il metodo ha separato con successo gli stati non danneggiati da quelli danneggiati. Come mostrato nella Figura 19, tutti i campioni a destra della linea tratteggiata rossa corrispondono alla condizione danneggiata e sono etichettati correttamente.
Conclusione
Il monitoraggio dell'Hell Bridge Test Arena dimostra l'importanza della qualità dei sensori e delle tecnologie sensoristiche avanzate nel monitoraggio della salute strutturale (SHM) basato sulle vibrazioni.
Dopo aver introdotto il ponte, il suo modello agli elementi finiti e la campagna sperimentale, abbiamo confrontato gli accelerometri installati con la serie Dewesoft IOLITEi 3xMEMS. I risultati hanno evidenziato che un basso livello di rumore di fondo è essenziale per acquisire dati vibrazionali di alta qualità, soprattutto in presenza di variabilità ambientale e operativa (EOV), una delle principali sfide nell'SHM.
Combinando misure a basso rumore con modelli statistici avanzati e tecniche di machine learning, è possibile distinguere un danno strutturale dalla normale variabilità utilizzando esclusivamente l'eccitazione ambientale, come il vento.
Il livello di rumore di fondo ultra-basso dei sensori Dewesoft, unito alla facilità di installazione e alla precisione della sincronizzazione, soddisfa i rigorosi requisiti delle applicazioni di monitoraggio dei ponti. Ciò rende la tecnologia dei sensori Dewesoft particolarmente adatta per soluzioni di monitoraggio robuste, scalabili ed economicamente vantaggiose per le infrastrutture di ponti soggette a invecchiamento.
Bibliografia
I. Olofsson et al., “Assessment of European railway bridges for future traffic demands and longer lives – EC project ‘Sustainable Bridges,’” Struct. Infrastruct. Eng., vol. 1, no. 2, pp. 93–100, 2005, doi: 10.1080/15732470412331289396.
Frøseth, G. T., NTNU. (2019). Load model of historic traffic for fatigue life estimation of Norwegian railway bridges: Vol. 2019:73. NTNU, Faculty of Engineering, Department of Structural Engineering.
Farrar, C.R. and Worden, K. (2012). Structural Health Monitoring: A Machine Learning Perspective. John Wiley & Sons, Hoboken.
Svendsen, B. T., Frøseth, G. T., Øiseth, O., & Anders, R. (2025). A data set from an extensive experimental benchmark study of the Hell Bridge Test Arena subject to imposed damage [Data set]. Zenodo.
Del Pozo, G. A., Svendsen, B. T., & Øiseth, O. (2023). Implementation of decision analysis on a structural health monitoring system applied to a bridge benchmark study. Structural Health Monitoring 2023.
A. Meixedo, J. Santos, D. Ribeiro, R. Calçada, and M. D. Todd, “Damage detection in railway bridges using traffic-induced dynamic responses,” Eng. Struct., vol. 238, no. March 2021, doi: 10.1016/j.engstruct.2021.112189.