ARANEA: Physics-Enhanced AI for Soil–Pile Interaction Monitoring

Descripción del proyecto

Diagnósticos e inspecciones fiables de infraestructuras críticas

Garantizar la resiliencia de las infraestructuras críticas requiere sistemas avanzados y fiables de monitorización de la salud estructural (SHM, por sus siglas en inglés). Pese a los avances en la actualización de modelos y la evaluación basada en vibraciones, persisten importantes dificultades, sobre todo en lo relativo a la escalabilidad, la dinámica no lineal, la interacción suelo-pilote y la cuantificación de la incertidumbre. En el proyecto ARANEA, financiado por las acciones Marie Skłodowska-Curie, se promoverá la SHM basada en vibraciones mediante un marco de monitorización multimodal para cimientos marinos. La combinación de inteligencia artificial basada en principios físicos, técnicas de identificación de sistemas que tengan en cuenta la incertidumbre, actualización de modelos y gemelos digitales en tiempo real mejorará la caracterización y la monitorización de la interacción no lineal entre el suelo y las cimentaciones. El desarrollo de herramientas de diagnóstico explicables y de apoyo a la toma de decisiones favorecerá el mantenimiento basado en el estado de las infraestructuras, facilitará la aplicación de estrategias de inspección e intervención más específicas y contribuirá a prolongar la vida útil y reforzar la resiliencia de las infraestructuras críticas.

Objetivo

Ensuring the resilience of critical infrastructure—especially offshore wind turbines and bridges—requires next-generation Structural Health Monitoring (SHM) that delivers real-time, interpretable, and uncertainty-robust diagnostics. Deterministic and stochastic model-updating have advanced the field, but gaps remain in scalability, treatment of non-linear dynamics, and application to soil–pile interaction (SPI). SHM supports safe operation, early damage detection, and condition-based maintenance, reducing risk, extending service life, and lowering costs. This project advances vibration-based SHM by fusing acceleration and strain in a multi-modal framework and applying it to SPI, explicitly handling uncertainty and non-linearity. It goes beyond current practice to provide predictive, uncertainty-aware asset management aligned with the EU Green Deal and Europe’s digital transition.

ARANEA combines physics-based modelling and data-driven learning in a hybrid model-updating framework. It fuses acceleration and strain with physics-enhanced AI for SPI in offshore foundations. The method integrates output-only system identification with quantified uncertainty, reduced-order digital twins of the structure–soil interface for real-time monitoring, and inversion of soil parameters via two routes: physics-centred evolutionary optimisation with geotechnical priors, and physics-informed machine learning (PINNs, physics-constrained ODEs, INNs). Validated on synthetic, laboratory, and field datasets, the framework embeds explainability and uncertainty throughout to deliver diagnostics that are auditable and trustworthy for operators. Grounded in substructure formulations such as PISA-type models, ARANEA provides reliable, real-time decision support aiming to reduce inspections, extends asset life, and advances Europe’s sustainability and digitalisation goals.