Nelle strutture in calcestruzzo armato di valore storico, il degrado iniziale spesso si manifesta attraverso microfessurazioni invisibili all’occhio, che precedono danni visibili e irreversibili. La diagnostica acustica passiva, basata sull’acquisizione continua di emissioni acustiche ambientali tramite sensori piezoelettrici, offre una soluzione non invasiva e predittiva per intercettare tali segnali precursori. Questo approfondimento, ancorato al Tier 2 della metodologia di riconoscimento del degrado, fornisce una guida tecnica esatta e operativa per l’implementazione sul patrimonio storico italiano, con particolare attenzione all’installazione, acquisizione di dati, elaborazione avanzata e integrazione con sistemi strutturali moderni, superando i limiti delle analisi tradizionali.

1. Fondamenti tecnici del riconoscimento acustico: estrazione di firme di microfrattura

Il riconoscimento del degrado acustico si basa sull’identificazione di emissioni ultrasoniche e a frequenza bassa generate da microfessurazioni nel calcestruzzo, fenomeni che sfuggono alle ispezioni visive convenzionali. La metodologia Tier 2 impiega trasformate wavelet discrete (DWT) e analisi spettrali in dominio tempo-frequenza per isolare firme acustiche caratteristiche: la DWT consente di decomporre il segnale in scale di dettaglio, evidenziando impulsi brevi correlati a fratture localizzate, mentre l’analisi spettrale in banda 20–100 kHz (tipica per emissioni di microfessurazioni) rivela variazioni di entropia e tasso di crescita delle emissioni, correlate direttamente al danno strutturale.

I parametri chiave estratti includono:

• Energia totale del segnale acustico (J): misura l’intensità complessiva delle emissioni, proporzionale alla densità e intensità delle microfessure;
• Entropia spettrale (H): indice di casualità spettrale, cresce con la fratturazione caotica;
• Tasso di crescita delle emissioni (Γ): derivato dal numero di eventi al minuto, segnala l’accelerazione del degrado;
• Energia dell’onda wavelet in banda 50–80 kHz: correlata alla localizzazione e gravità della fessura.

Esempio pratico: una struttura in calcestruzzo antico di Venezia ha mostrato un aumento del 68% dell’entropia spettrale in 72 ore pregresso alla comparsa di crepe visibili, con tasso di crescita Γ pari a 0.42 eventi/ora, indicativo di degrado avanzato.

2. Configurazione hardware e posizionamento dei sensori in strutture storiche

Il posizionamento strategico degli array piezoelettrici è cruciale per massimizzare la sensibilità e minimizzare il rumore ambientale urbano. In edifici caratterizzati da solette a volta, muri a vista con intonaci spessi e morfologie irregolari, si applica una configurazione multi-canale con sensori a basso voltaggio (es. PZT-4) montati su supporti adesivi non invasivi in silicone, garantendo adesione duratura senza alterare l’integrità del materiale.

Fasi operative:

1. Mappatura preliminare con scansione termografica per identificare zone di discontinuità termica, correlate a potenziali zone di fessurazione;
2. Definizione griglia di posizionamento basata su coordinate 3D del modello BIM (se disponibile), con distanza media sensore-muro di 30–50 cm lungo linee di carico;
3. Installazione di 6–12 sensori in configurazione a triangolo, orientati perpendicolarmente alla superficie, per coprire aree critiche come giunti strutturali o zone soggette a umidità;
4. Calibrazione in laboratorio con campioni di calcestruzzo non degradato, stabilendo una curva di riferimento per l’ampiezza di emissione associata a microfessurazione iniziale.

Attenzione: l’uso di adesivi non aggressivi è fondamentale: resine acriliche a bassa contrazione riducono il rischio di alterare la struttura originale e garantiscono segnali acustici più puliti.

3. Integrazione con dati ambientali e sistemi di monitoraggio in tempo reale

Il degrado acustico è fortemente influenzato da fattori climatici: variazioni termiche generano stress ciclico che accelera la propagazione delle microfratture, mentre l’umidità modifica la conducibilità acustica del calcestruzzo, alterando la velocità d’onda e il rumore di fondo. Per questo, l’elaborazione dei dati deve includere una correlazione dinamica tra emissioni acustiche, temperatura, umidità relativa e carico ciclico (simulato con dati locali).

Schema di integrazione:

1. Collegamento in tempo reale con stazioni meteorologiche locali (es. ISPRA) per registrare temperatura (°C), umidità (RH%), e precipitazioni;
2. Filtro adattivo basato su correlazione incrociata tra segnale acustico e variabili climatiche, per isolare eventi legati al degrado;
3. Calibrazione delle soglie di allarme in base alla stagionalità: ad esempio, un tasso di crescita Γ > 0.35 eventi/ora scatena un allarme in estate, meno sensibile;
4. Visualizzazione tramite dashboard interattiva con grafici di tendenza delle emissioni, mappe termiche sovrapposte e alert automatici via email o app.

Caso studio: su un ponte medievale a Pisa, l’integrazione ha permesso di rilevare una fessura iniziale di 0.03 mm 5 giorni prima della comparsa di spaccature visibili, consentendo un intervento correttivo programmato e prevenendo il collasso strutturale.

4. Errori comuni e strategie di mitigazione nella diagnostica acustica

Uno degli errori più frequenti è la sovrapposizione di segnali da vibrazioni esterne, come traffico o lavori nei pressi, che possono falsare l’analisi. Allo stesso modo, la mancata calibrazione termoigrometrica dei sensori induce errori sistematici nella soglia di rilevamento.

Strategie di mitigazione:

• Implementare analisi di correlazione spazio-temporale tra segnali di diversi sensori per distinguere vibrazioni localizzate da quelle diffuse;
• Adottare procedure di baseline dinamica: prima dell’acquisizione, registrare 30 minuti di dati in condizioni stabili per addestrare modelli predittivi del rumore di fondo;
• Utilizzare sensori con compensazione integrata di temperatura e umidità (es. PZT con sensore co-localizzato);
• Convalidare i risultati con ispezioni visive periodiche in zone di interesse, usando dati acustici come guida pre-ispettiva.

Case study: su un edificio in pietra a Lucca, un tasso di crescita Γ erroneamente alto fu attribuito a traffico veicolare; grazie alla correlazione con dati meteorologici e calibrazione, si rivelò un effetto transitorio, evitando interventi inutili.

5. Ottimizzazione avanzata e connessione con BIM storico e manutenzione predittiva

La vera efficacia della diagnostica acustica emerge nella sua integrazione avanzata: il collegamento dei dati emessi dai sensori a modelli BIM 3D storici permette di simulare l’evoluzione del degrado, visualizzando in tempo reale l’evoluzione delle microfessurazioni in relazione a carichi strutturali e fattori ambientali. Questo supporta interventi mirati, ottimizzando cicli di manutenzione e prolungando la vita utile del bene.

Implementazione avanzata:

• Creazione di gemelli digitali 3D con sovrapposizione dei dati acustici per identificare zone critiche;;
• Applicazione di modelli probabilistici (es. reti bayesiane) per stimare la vita residua strutturale, aggiornati in tempo reale con nuovi dati;;
• Integrazione con sistemi CMMS (Computerized Maintenance Management System) per generare ticket automatici e pianificare interventi basati su rischio;;
• Utilizzo di algoritmi di machine learning online per aggiornare continuamente la classificazione del danno in base a pattern emergenti.

Esempio: su un ponte del XII secolo a Verona, il modello predittivo ha stimato una vita residua di 12 anni con 85% di