Approcci innovativi per la sicurezza delle infrastrutture strategiche: valutazione speditiva della vulnerabilità sismica di ponti con machine learning e analisi sperimentale avanzata su conci per gallerie

La presente tesi di dottorato affronta il tema della sicurezza e della resilienza delle infrastrutture viarie strategiche attraverso un duplice approccio. La prima parte del lavoro si concentra sullo sviluppo di una metodologia innovativa e speditiva per la valutazione della vulnerabilità sismica dei ponti esistenti, con un focus specifico sui viadotti a travata semplicemente appoggiata, ampiamente diffusi sulla rete autostradale italiana. Prendendo come caso studio un campione significativo di 25 ponti dell'autostrada A19 in Sicilia, è stato creato un robusto dataset di riferimento tramite analisi numeriche tradizionali basate sulla meccanica strutturale (analisi statica non lineare, o pushover). Questo dataset è stato poi utilizzato per addestrare e validare un modello surrogato basato su tecniche di Machine Learning (ML), in particolare la Regressione con Processo Gaussiano (GPR). Il modello GPR si è dimostrato in grado di predire con elevata accuratezza i parametri chiave delle curve di fragilità (capacità mediana μ e dispersione β) a partire da un set limitato di dati geometrici e meccanici facilmente reperibili. I risultati dimostrano che tale approccio supera i limiti computazionali dei metodi convenzionali e i limiti qualitativi degli attuali strumenti di screening, offrendo uno strumento quantitativo, rapido e scalabile per la gestione proattiva del rischio sismico e la prioritizzazione degli interventi su vasta scala. La seconda parte della ricerca si sposta sulla validazione sperimentale dei componenti per le opere di nuova costruzione, investigando il comportamento strutturale dei conci prefabbricati per il rivestimento di gallerie. A tal fine, è stato utilizzato un banco di prova unico nel suo genere, presente presso il laboratorio L.E.D.A. dell'Università di Enna Kore. Questo innovativo banco prova, caratterizzato da polifunzionalità e un sistema di carico multi-attuatore ad alte prestazioni, ha permesso di simulare con fedeltà senza precedenti le complesse condizioni di carico agenti su un concio: sia le elevate forze concentrate durante la fase di spinta della Tunnel Boring Machine (TBM), sia le sollecitazioni flessionali tipiche delle condizioni di collasso. La campagna sperimentale condotta su conci in scala reale ha permesso di analizzare i meccanismi di fessurazione e rottura (splitting e spalling), validando in modo completo le previsioni dei modelli numerici e confermando l'efficacia di soluzioni innovative come i calcestruzzi fibrorinforzati. In sintesi, la tesi fornisce un contributo integrato alla sicurezza infrastrutturale, proponendo da un lato uno strumento data-driven per una gestione più efficiente e informata del patrimonio esistente e, dall'altro, una piattaforma sperimentale avanzata per garantire la sicurezza e l'affidabilità delle grandi opere del futuro.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2026

Author dc:creator

• CASIRARO, IGNAZIO

Contributors dc:contributor

• CONTRAFATTO, Loredana Caterina

• Seismic Vulnerability
• Machine Learning
• Fragility Curve
• Bridge
• Rapid Screening
• Experimental Analysi
• Precast Concrete Segment
• Tunnel Boring Machine
• Tunnel
• Risk Management
• Vulnerabilità Sismica
• Curve di Fragilità
• Ponti
• Screening Speditivo
• Analisi Sperimentale
• Conci Prefabbricati
• TBM
• Gallerie
• Gestione del Rischio

Statement dc:rights

• info:eu-repo/semantics/embargoedAccess
• license:NON PUBBLICO - Accesso privato/ristretto
• license uri:iris.PRI01

Language dc:language

ita

Handle dc:identifier

https://hdl.handle.net/20.500.11769/705940

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/705940