6533b821fe1ef96bd127bdb8

RESEARCH PRODUCT

Reti sismiche urbane per monitoraggio sismico monitoraggio strutturale ed allerta precoce

subject

description

In questa tesi, viene effettuato un analisi preliminare in cui si mette in evidenza come l'italia sia un paese a rischio sismico, poichè possiede molti centri storici con strutture non progettate per eventi sismici di media entità. Si è prestato molta attenzione su quante vite umane vengono salvate dopo un terremoto catastrofico. L'analisi fa emergere come, è importante essere tempestivi nell'estrarre le persone rimaste sotto le macerie, poichè la percentuale di persone estratte vive si mantiene alta solo entro le 48 ore dall'evento. Dopo 96 ore questa percentule si attesta a 0. In eventi passati spesso i soccorsi sono arrivati con giorni di ritardo nelle zone più devastate. L'obbiettivo che mi sono posto è creare un sistema, in grado in pochi minuti di fornire informazioni ai soccorsi sull'area o edifici maggiormente colpiti per poter concetrare immediatamente le forze dei soccorsi nei punti sensibili. Questo sismema è una rete sismica urbana (RSU) basata su tecnologia MEMS (accelerometri), che permette di ottenere stazioni sismiche a basso costo e quindi un elevata scala d'installazione. Sono state effettuate numerose installazioni in sicilia orientale di questa apparecchiatura, veri e propri progetti pilota nel cuore dei centri storici di Santa Ninfa (progetto MEMS), Messina (progetto MEMS e RAFAEL), Catania (progetto MEMS, ME2MS e RAFAEL) e Ragusa (progetto MEMS). Installazioni che saranno ampliate a breve e si estenderanno anche nel centro italia (Camerino progetto ARCH). Poiché potrebbe essere utili in certi casi avere strumenti più sensibili è stato sviluppato un velocimetro (Dionisio) ed un acquisitore (Kronos) a basso costo. Lo sviluppo di hardware a basso costo ha permesso di realizzare un sensore utilizzabile per sismica rotazionale (VART). La tesi si conclude con il confronto del metodo STA / LTA e deep learning per effettuare il piking automatico dalle forma d'onda degli eventi. Gli sviluppi futuri prevedono l'implementazione delle deep learning addestrate su hardware a basso costo, e costruire un sistema di early warning basato sul calcolo distribuito. In this thesis, a preliminary analysis is carried out which highlights how Italy is a country at seismic risk, as it has many historic centers with historic structures, not designed for medium-sized seismic events. Much attention has been paid to how many lives are saved after a catastrophic earthquake. The analysis shows that it is important to be timely in extracting the people left under the rubble, as the percentage of people extracted alive remains high only within 48 hours of the event. After 96 hours, this percentage reaches 0. In past events, help has often arrived days late in the most devastated areas. The goal I set myself is to create a system, able in a few minutes to provide information to the rescuers on the area or buildings most affected in order to immediately concentrate the rescue forces in sensitive points. This seismem is an urban seismic network (RSU) based on MEMS technology (accelerometers), which allows to obtain low-cost seismic stations and therefore a high installation scale. Numerous installations of this equipment have been carried out in eastern Sicily, real pilot projects in the heart of the historic centers of Santa Ninfa (MEMS project), Messina (MEMS and RAFAEL project), Catania (MEMS, ME2MS and RAFAEL project) and Ragusa ( MEMS project). Installations that will be expanded shortly and will also extend to central Italy (Camerino ARCH project). Since it could be useful in some cases to have more sensitive instruments, a low cost velocimeter (Dionisio) and a low cost acquirer (Kronos) have been developed. The development of low-cost hardware has made it possible to create a sensor that can be used for rotational seismic (VART). The thesis ends with the comparison of the STA / LTA method and deep learning to perform automatic piking from the waveform of the events. Future developments include the implementation of deep learning trained on low-cost hardware, and building an early warning system based on distributed computing.