Identificazione dei parametri in sistemi vibranti mediante Intelligenza Artificiale

La presente tesi affronta il problema dell’identificazione modale dinamica di sistemi vibranti lineari mediante reti neurali, con l’obiettivo di valutare in che misura strumenti di apprendimento supervisionato possano essere impiegati per stimare parametri modali a partire da funzioni di risposta in frequenza. L’interesse del lavoro risiede nella possibilità di affiancare ai metodi classici di identificazione un approccio capace di apprendere la relazione tra forma della risposta dinamica e parametri fisici del sistema, quali frequenze di risonanza, smorzamenti e, nei casi più complessi, parametri associati ad antirisonanze. Dopo un inquadramento iniziale del problema fisico dell’identificazione modale, la tesi introduce il ruolo delle reti neurali in questo contesto, evidenziandone il potenziale e la necessità di un impiego metodologicamente rigoroso. Vengono quindi analizzate le principali famiglie di architetture considerate nello studio, ossia multilayer perceptron, reti convoluzionali, reti ricorrenti e configurazioni ibride, discutendone caratteristiche generali, modalità di addestramento e aspetti implementativi in ambiente MATLAB. Segue una sezione dedicata alle regole per il corretto utilizzo delle reti neurali, nella quale vengono esaminati temi quali normalizzazione dei dati, validazione incrociata, stratificazione del dataset, capacità della rete, distribuzione dei campioni, gestione del rumore, regolarizzazione, scelta degli ottimizzatori, scala dei target e dimensione del mini-batch. La parte centrale della tesi è dedicata ai risultati ottenuti in simulazione. Il percorso seguito è progressivo: si parte dal caso più semplice, rappresentato dalla stima della sola frequenza di risonanza di un sistema del secondo ordine puro, per poi passare alla stima congiunta della risonanza e dello smorzamento dello stesso sistema. Successivamente l’analisi viene estesa a funzioni di risposta in frequenza più realistiche e a sistemi più complessi, fino a considerare casi con risonanza e antirisonanza e sistemi a due modi oscillatori. In tale contesto vengono confrontate diverse architetture neurali e differenti strategie di rappresentazione del dato, generazione del dataset e addestramento. L’ultima parte del lavoro riguarda la validazione sperimentale su sistemi reali di laboratorio: massa sospesa, asta oscillante, pendolo nel piano e sistema a due masse con battimenti meccanici. In questi casi le FRF vengono ricavate da segnali temporali acquisiti sperimentalmente e sottoposte a post-processing, così da poter essere utilizzate sia nei confronti con i metodi classici sia nell’inferenza neurale. I risultati ottenuti mostrano che le reti neurali possono raggiungere prestazioni competitive rispetto ai benchmark classici di identificazione modale. In simulazione, le reti selezionate hanno fornito stime della frequenza di risonanza sostanzialmente paragonabili a quelle ottenute con modalfit, evidenziando un vantaggio marcato nella stima dello smorzamento. Anche nei casi sperimentali, pur richiedendo modelli adattati ai diversi setup, le reti hanno mostrato prestazioni ottime, confrontabili con modalfit sulla risonanza e spesso migliori sullo smorzamento. Particolarmente significativo è risultato inoltre il confronto con il metodo della banda di mezza potenza, che nei dati sperimentali ha mostrato una sensibilità molto più elevata alle irregolarità numeriche e alla qualità della FRF rispetto all’approccio neurale opportunamente addestrato. Nel complesso, il lavoro mostra che le reti neurali possono costituire uno strumento efficace per la stima di parametri modali da FRF, a condizione che il problema sia formulato correttamente e che il dataset sia costruito in modo coerente con la fisica del sistema e con il contesto applicativo.