Analisi e modellazione della capacità portante di una pista di volo aeroportuale: il caso studio dell'Aeroporto Falcone-Borsellino di Palermo

UNIVERSITÀ DEGLI STUDI DI UDINE

Dipartimento Politecnico di Ingegneria e Architettura

Corso di Laurea Magistrale in Ingegneria per l’Ambiente e il

Territorio

Tesi di Laurea

Analisi e modellazione della capacità

portante di una pista di volo

aeroportuale:

il caso studio dell’Aeroporto

”Falcone-Borsellino” di Palermo

Relatore Laureando

Prof. Ing. Nicola Baldo Fabio Rondinella

Correlatore

Dott. Matteo Miani

Anno Accademico 2018/2019

A mia madre e a mio padre

che hanno illuminato il mio percorso

dall’inizio della mia esistenza.

Indice

1 Introduzione 7

2 Deflettometro dinamico a massa battente 11

2.1 Cenni sul funzionamento dell’HWD . . . . . . . . . . . . . . . . . . . . 11

2.2 Il Dynatest 8000 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.3 Alcune applicazioni dell’HWD in ambito stradale e aeroportuale . . . . . 14

3 Monitoraggio della pista di volo 17

3.1 Contestualizzazione dell’Aeroporto . . . . . . . . . . . . . . . . . . . . 17

3.2 Campagna di misure . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3.3 Esecuzione delle indagini HWD . . . . . . . . . . . . . . . . . . . . . . 20

3.3.1 Runway 07-25 . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3.3.2 Runway 02-20 . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3.4 Determinazione dei moduli elastici dinamici . . . . . . . . . . . . . . . . 27

4 Geostatistica 37

4.1 Cenni di Geostatistica . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4.2 Modelli di stima o predizione . . . . . . . . . . . . . . . . . . . . . . . 38

4.2.1 Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.2.2 Nearest Neighbor . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.2.3 Natural Neighbor . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.2.4 Local Polynomial . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.2.5 Radial Basin Function . . . . . . . . . . . . . . . . . . . . . . . 41

4.2.6 Triangulation with Linear Interpolation . . . . . . . . . . . . . . 42

5 Reti neurali artificiali 43

5.1 Cenni sulla storia delle reti neurali . . . . . . . . . . . . . . . . . . . . . 43

5.2 Il sistema basato sulle reti neurali . . . . . . . . . . . . . . . . . . . . . 44

5.3 L’analogia biologica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

5.4 Il modello di un neurone . . . . . . . . . . . . . . . . . . . . . . . . . . 46

5.5 Scelta della funzione di trasferimento . . . . . . . . . . . . . . . . . . . 47

5.5.1 Funzione a gradino (Threshold function o Heaviside function) . . 47

5.5.2 Funzione lineare con saturazione (Piecewise-linear function) . . . 48

5.5.3 Funzione sigmoide (Sigmoid function) . . . . . . . . . . . . . . . 49

5.6 Tipi di rete neurale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

5.7 Fase di apprendimento delle reti neurali artificiali . . . . . . . . . . . . . 50

5.7.1 L’algoritmo di back-propagation . . . . . . . . . . . . . . . . . . 51

5.8 Gli iperparametri nel machine-learning . . . . . . . . . . . . . . . . . . . 54

5.8.1 Ottimizzazione bayesiana degli iperparametri . . . . . . . . . . . 55

5.9 Alcune applicazioni delle ANN in ambito stradale e aeroportuale . . . . . 57

6 Modellazione 59

6.1 Raccolta e preparazione dei dati . . . . . . . . . . . . . . . . . . . . . . 59

6.2 Suddivisione dei dati . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

6.2.1 Scelta del valore di k . . . . . . . . . . . . . . . . . . . . . . . . 62

6.3 L’algoritmo Levenberg-Marquardt . . . . . . . . . . . . . . . . . . . . . 63

6.3.1 Definizione degli iperparametri . . . . . . . . . . . . . . . . . . . 65

6.4 Addestramento, validazione e testing - prima fase . . . . . . . . . . . . . 66

6.5 Risultati ottenuti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

6.6 Deflection Basin Parameters . . . . . . . . . . . . . . . . . . . . . . . . 72

6.7 Interpolazione spaziale . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

6.7.1 Kriging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

6.7.2 Triangolazione con interpolazione lineare . . . . . . . . . . . . . 81

6.8 Addestramento, validazione e testing - seconda fase . . . . . . . . . . . 82

6.9 Risultati ottenuti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

6.10 Confronto tra moduli interpolati e predetti . . . . . . . . . . . . . . . . 88

7 Conclusioni 93

Bibliografia 95

Allegato 1: Command Window - prima fase 99

Allegato 2: Command Window - seconda fase 115

Ringraziamenti 131

Elenco delle figure

2.1 Esempio di Heavy Weight Deflectometer. . . . . . . . . . . . . . . . . . 11

2.2 Esempio di strumentazione FWD/HWD, il Dynatest8000. . . . . . . . . 13

2.3 Ingrandimento su piastra e relativi geofoni. . . . . . . . . . . . . . . . . 13

2.4 Esempio di un classico bacino di deflessione indotto da HWD. . . . . . . 14

Schematizzazione del problema relativo ai moduli elastici dinamici in

2.5 riferimento al touch-down dell’aeromobile. . . . . . . . . . . . . . . . . 14

3.1 Aeroporto Internazionale di Palermo ”Falcone e Borsellino”. . . . . . . . 17

3.2 Estratto Annesso 14, Classificazione ICAO delle piste di volo. . . . . . . 18

3.3 Ortofoto relativa alle piste di volo sopracitate, Google Earth 2020. . . . . 18

3.4 Planimetria dell’Aeroporto di Palermo, GESAP 2015, scala 1:20 000. . . . 19

3.5 Deflessioni Asse Pista 02/20. . . . . . . . . . . . . . . . . . . . . . . . 22

3.6 Deflessioni +3 m Pista 02/20. . . . . . . . . . . . . . . . . . . . . . . . 23

3.7 Deflessioni +6 m Pista 02/20. . . . . . . . . . . . . . . . . . . . . . . . 24

3.8 Deflessioni -3 m Pista 02/20. . . . . . . . . . . . . . . . . . . . . . . . 25

3.9 Deflessioni -6 m Pista 02/20. . . . . . . . . . . . . . . . . . . . . . . . 26

3.10 Mappa relativa alle deflessioni campionate lungo la pista 02/20. . . . . . 26

3.11 Divisione della pavimentazione in sezioni omogenee per stratigrafia. . . . 29

3.12 Moduli Elastici del Conglomerato Bituminoso in asse. . . . . . . . . . . 31

3.13 Moduli Elastici del Conglomerato Bituminoso a + 3 m. . . . . . . . . . 32

3.14 Moduli Elastici del Conglomerato Bituminoso a + 6 m. . . . . . . . . . 33

3.15 Moduli Elastici del Conglomerato Bituminoso a - 3 m. . . . . . . . . . . 34

3.16 Moduli Elastici del Conglomerato Bituminoso a - 6 m. . . . . . . . . . . 35

3.17 Mappa relativa ai moduli elastici dinamici determinati tramite back-

calculation lungo la pista 02/20. . . . . . . . . . . . . . . . . . . . . . . 36

4.1 Danie Gerhardus Krige, ingegnere minerario teorico del kriging. . . . . . 37

~h

4.2 Rappresentazione visiva di punti distanti all’interno del Campo. . . . . 38

4.3 Esempio di Kriging, da www.GoldenSoftware.com. . . . . . . . . . . . . 39

4.4 Esempio di Nearest Neighbor, da www.GoldenSoftware.com . . . . . . . 40

4.5 Esempio di Natural Neighbor, da www.GoldenSoftware.com. . . . . . . . 40

1

2 ELENCO DELLE FIGURE

4.6 Esempio di Local Polynomial, da www.GoldenSoftware.com. . . . . . . . 41

Es. di Triangulation with Linear Interpolation, da www.GoldenSoftware.com. 42

4.7

5.1 Warren Sturgis McCulloch, neurofisiologo statunitense. . . . . . . . . . . 43

5.2 Struttura di un neurone biologico. . . . . . . . . . . . . . . . . . . . . . 45

5.3 Modello di un neurone artificiale. . . . . . . . . . . . . . . . . . . . . . 46

5.4 Esempio di funzione di Treshold. . . . . . . . . . . . . . . . . . . . . . 48

5.5 Esempio di funzione lineare con saturazione. . . . . . . . . . . . . . . . 49

5.6 Esempio di funzione sigmoide. . . . . . . . . . . . . . . . . . . . . . . . 49

5.7 Schematizzazione del modello di una Feedforward Neural Network multi-

strato. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

Ciclo iterativo eseguito dall’algoritmo di back-propagation, da Baldo et al.

5.8 2019. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

5.9 Esempio di ottimizzazione bayesiana dopo 2 iterazioni. . . . . . . . . . . 56

5.10 Esempio di ottimizzazione bayesiana dopo 8 iterazioni. . . . . . . . . . . 56

TM

6.1 Neural Network Toolbox 7, Matlab User’s Guide. . . . . . . . . . . . 59

6.2 Schermata del codice Matlab che evidenzia la struttura dei dati di input

e di output. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

Schermata del codice Matlab che evidenzia la fase di pre-elaborazione dei

6.3 dati. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

6.4 Struttura di una ANN evidenziando i processi di pre-elaborazione e post-

elaborazione. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

Schermata del codice Matlab che evidenzia la fase di k-fold cross-validation. 61

6.5

6.6 Esempio di iterazioni dovute ad una scelta del valore di k pari a 5. . . . . 62

6.7 Schermata del codice Matlab che evidenzia la scelta degli iperparmetri

utilizzati. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

Schermata del codice Matlab che evidenzia la scelta di suddivisione dei

6.8 dati nei tre sottoinsieme di addestramento, validazione e testing. . . . . . 66

6.9 Schermata del codice Matlab che evidenzia la scelta della funzione di

performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

6.10 Correlazione tra i dati di modulo E [MPa] e di deflessione D [µm]. . . . 67

0

6.11 Architettura della rete neurale artificiale relativa alla prima analisi (con i

soli dati misurati). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

6.12 Performance della rete ottenute per il primo fold. . . . . . . . . . . . . . 68

6.13 Performance della rete ottenute per il secondo fold. . . . . . . . . . . . 69

6.14 Performance della rete ottenute per il terzo fold. . . . . . . . . . . . . . 69

6.15 Performance della rete ottenute per il quarto fold. . . . . . . . . . . . . 70

6.16 Performance della rete ottenute per il quinto fold. . . . . . . . . . . . . 70

ELENCO DELLE FIGURE 3

6.17 Validazione delle performance ottenute con indicazione dell’ottimo. . . . 71

6.18 Schermata della funzione ”Grid Data” del software Surfer 14. . . . . . . 78

6.19 Schermata delle opzioni relative alla metodologia di grigliatura. . . . . . 79

6.20 Schermata delle opzioni relative alla griglia di output. . . . . . . . . . . 79

Realizzazione di una mappatura delle massime deflessioni puntuali com-

6.21 posta di 13×361 nodi tramite tecnica kriging. . . . . . . . . . . . . . . 80

Realizzazione di una mappatura delle massime deflessioni puntuali com-

6.22 posta di 13×361 nodi tramite tecnica di interpolazione lineare. . . . . . . 81

6.23 Correlazione tra i dati di modulo E [MPa] e di deflessione D [µm] sui

0

dati interpolati. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

6.24 Schermata del codice Matlab che evidenzia la struttura dei nuovi dati di

input e di output. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

Architettura della rete neurale artificiale relativa alla seconda analisi (con

6.25 i dati provenienti dall’interpolazione). . . . . . . . . . . . . . . . . . . . 84

6.26 Performance della nuova rete ottenute per il primo fold. . . . . . . . . . 84

6.27 Performance della nuova rete ottenute per il secondo fold. . . . . . . . . 85

6.28 Performance della nuova rete ottenute per il terzo fold. . . . . . . . . . 85

6.29 Performance della nuova rete ottenute per il quarto fold. . . . . . . . . . 86

6.30 Performance della nuova rete ottenute per il quinto fold. . . . . . . . . . 86

6.31 Validazione delle performance ottenute con indicazione dell’ottimo. . . . 87

6.32 Schermata del codice Matlab che evidenzia la struttura dei nuovi dati di

modulo predetti. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

6.33 Schermata del codice Matlab per ottenere l’output di confronto tra i moduli. 89

6.34 Confronto tra moduli interpolati e predetti. . . . . . . . . . . . . . . . . 89

6.35 Mappa relativa ai Moduli Elastici Dinamici interpolati dal software Surfer

14. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

6.36 Mappa relativa ai Moduli Elastici Dinamici predetti dall’ANN progettata. 91

6.37 Confronto tra la mappa interpolata dal software Surfer 14 (sulla sx) e

quella predetta dall’ANN progettata (sulla dx). . . . . . . . . . . . . . . 92

4 ELENCO DELLE FIGURE

Elenco delle tabelle

3.1 Deflessioni Asse Pista 02/20. . . . . . . . . . . . . . . . . . . . . . . . 21

3.2 Deflessioni +3m Pista 02/20. . . . . . . . . . . . . . . . . . . . . . . . 22

3.3 Deflessioni +6m Pista 02/20. . . . . . . . . . . . . . . . . . . . . . . . 23

3.4 Deflessioni -3m Pista 02/20. . . . . . . . . . . . . . . . . . . . . . . . . 24

3.5 Deflessioni -6m Pista 02/20. . . . . . . . . . . . . . . . . . . . . . . . . 25

3.6 Divisione della pavimentazione in sezioni omogenee per stratigrafia. . . . 30

3.7 Moduli elastici (MPa) del conglomerato bituminoso in asse. . . . . . . . 31

3.8 Moduli elastici (MPa) del conglomerato bituminoso a + 3 m. . . . . . . 32

3.9 Moduli elastici (MPa) del conglomerato bituminoso a + 6 m. . . . . . . 33

3.10 Moduli elastici (MPa) del conglomerato bituminoso a - 3 m. . . . . . . . 34

3.11 Moduli elastici (MPa) del conglomerato bituminoso a - 6 m. . . . . . . . 35

4.1 Esempi di Radial Basin Function, da www.GoldenSoftware.com. . . . . . 41

6.1 Esempio numerico di calcolo dei principali DBP in Asse Pista. . . . . . . 73

6.2 Esempio numerico di calcolo dei principali DBP a + 3 m. . . . . . . . . 74

6.3 Esempio numerico di calcolo dei principali DBP a + 6 m. . . . . . . . . 75

6.4 Esempio numerico di calcolo dei principali DBP a - 3 m. . . . . . . . . . 76

6.5 Esempio numerico di calcolo dei principali DBP a - 6 m. . . . . . . . . . 77

5

6 ELENCO DELLE TABELLE

Capitolo 1

Introduzione

Il presente lavoro di tesi ha come obiettivo l’analisi e la modellazione della capacità

portante di una pista di volo aeroportuale finalizzato alla redazione di uno strumento

guida per la gestione delle informazioni utili alla definizione delle attività manutentive atte

a garantire un adeguato standard di servizio. In quest’ottica, un metodo che consenta

l’ottimizzazione delle risorse economiche a dispozione trova, in questo momento storico,

un ampio consenso all’interno degli ambienti scientifici e professionali. In tal senso,

infatti, la manutenzione programmata è al giorno d’oggi una realtà sempre più importante

e, per procedere in tale direzione, risulta fondamentale conoscere dettagliatamente il

manufatto ed il suo comportamento nello spazio e nel tempo. La ricerca svolta in

questo elaborato si è posta l’obiettivo di definire, a partire da una generica campagna

di misurazioni di deflessioni indotte da opportune strumentazioni, una metodologia per

ricavare un’accurata mappa dei moduli elastici dinamici degli strati legati superiori della

pavimentazione aeroportuale. In questo modo, a seguito di analisi successive circa i valori

delle elaborazioni ottenute, sarà possibile generare le proposte di intervento più urgenti e

necessarie. La ricerca svolta può considerarsi articolata in due fasi distinte:

• la prima, dedicata agli aspetti conoscitivi della realtà aeroportuale. Si è partiti,

infatti, dallo studio dei dati relativi alla campagna di misure e dalla loro rielaborazione

al fine di ottenere, tramite interpolazione spaziale e geostatistica, una mappa ben

più fitta e dettagliata degli stessi;

• la seconda che parte dai dati precedentemente ricavati e rielaborati per arrivare

alla definizione (tramite l’ intelligenza artificiale e la programmazione in matlab) di

una rete neurale che sia in grado di predire, a partire da un input quale la semplice

misura di deflessione e la sua collocazione nello spazio, il relativo modulo elastico

dinamico nel punto. Tale informazione sarà cruciale per la definizione di una mappa

complessiva dei moduli indice delle future operazioni di intervento e manutenzione.

7

8 CAPITOLO 1. INTRODUZIONE

Il presente elaborato si articola, dunque, in sei capitoli e può essere sintetizzato nella

maniera che segue:

• il secondo capitolo si interessa della strumentazione adottata per ottenere le

informazioni utili che sono alla base dell’intera elaborazione: le massime deflessioni

puntuali. Sarà presentata una breve introduzione al Deflettometro Dinamico a

Massa Battente enunciando le principali caratteristiche dello strumento e le modalità

di esecuzione della prova;

• il terzo capitolo fornisce un inquadramento geografico e territoriale della pista di

volo oggetto del presente elaborato di tesi: la pista 02/20 dell’Aeroporto ”Falcone-

Borsellino” di Palermo. Segue una breve descrizione della struttura dell’aeroporto e

della campagna di indagini eseguita nel Febbraio 2012 dalla GESAP S.p.A.. Segue,

inoltre, l’esposizione di un metodo semi-empirico di back-calculation per ottenere

dei preliminari dati di modulo utili ai fini della modellazione finale;

• il quarto capitolo affronta il problema della geostatistica: ovvero in che modo

sia possibile ricavare la variabilità spaziale di un parametro caratteristico di un

determinato fenomeno, estraendo delle regole da utilizzare in un più ampio quadro

modellistico di stima del fenomeno stesso. Saranno dunque presentate molteplici

tecniche di stima della variabile in esame elencandone i relativi pregi e difetti

arrivando, quindi, a determinare la metodologia che più si addice al lavoro in esame;

• il quinto capitolo fornisce una breve panoramica sullo sconfinato mondo dell’intel-

ligenza artificiale e delle reti neurali: uno strumento che, se ben padroneggiato,

consente di analizzare quantità di dati che prima d’oggi era difficile pensare po-

tessero essere elaborati dal semplice lavoro umano. Vengono forniti, all’interno di

questo capitolo, gli strumenti base che permettano ad un ingegnere del settore di

modellare una rete neurale che, in maniera più o meno accurata ed efficace, riesca

a correlare i dati di deflessione precedentemente analizzati con i dati di modulo che

rappresentano il target ultimo;

• il sesto ed ultimo capitolo descrive la strutturazione, sia sotto il profilo concettuale

che operativo, del percorso metodologico seguito