Ammegna PDF

Università degli Studi di Napoli
Federico II
FACOLTÀ DI INGEGNERIA
Corso di Laurea in Ingegneria Civile
Life-Cycle Cost Analysis di una

soletta da ponte in c.a.
Tesi di Laurea di: Relatore:

Lucio Grammegna ch.mo prof. ing. Gaetano Manfredi
Matricola: 37/1541 Correlatore:
dott. ing. Iunio Iervolino
Anno Accademico 2005-2006

La teoria è quando si sa il perchè
delle cose ma esse non funzionano;
la pratica è quando le cose
funzionano ma non si sa il perchè.
Ebbene qui abbiamo coniugato in
modo esemplare la teoria e la pratica:
le cose non funzionano e non si sa il perchè.
Albert Einstein
ii
Indice
1 Affidabilità strutturale: teoria e modelli 3

1.1 Approccio deterministico . . . . . . . . . . . . . . . . . . . . . 3
1.2 Approccio probabilistico . . . . . . . . . . . . . . . . . . . . . 4
1.3 Indice di affidabilità . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Esempio: calcolo di β . . . . . . . . . . . . . . . . . . . 10
1.4 Calcolo di β: Z = G(X) non lineare . . . . . . . . . . . . . . . 11
1.5 Stima della probabilità . . . . . . . . . . . . . . . . . . . . . . 13
1.5.1 Metodo FORM . . . . . . . . . . . . . . . . . . . . . . 13
1.5.2 Metodo SORM . . . . . . . . . . . . . . . . . . . . . . 15
1.5.3 Metodo Monte Carlo . . . . . . . . . . . . . . . . . . . 17
1.5.4 Importance Sampling ed Adaptive Sampling . . . . . . 19
1.5.5 Esempio: stima della Pf con Monte Carlo . . . . . . . 21
1.6 Ridondanza e modalità di collasso: introduzione . . . . . . . . 23
1.7 Ridondanza delle strutture . . . . . . . . . . . . . . . . . . . . 24
1.8 Modalità di collasso in serie . . . . . . . . . . . . . . . . . . . 25
1.8.1 Esempio: affidabilità di sistema in serie . . . . . . . . . 27
1.8.2 Limiti del primo ordine . . . . . . . . . . . . . . . . . . 28
1.8.3 Limiti del secondo ordine . . . . . . . . . . . . . . . . . 29
1.9 Modalità di collasso in parallelo . . . . . . . . . . . . . . . . . 30
1.9.1 Esempio: affidabilità di sistema in parallelo . . . . . . 31
1.10 Sistemi generali: link-set e cut-set . . . . . . . . . . . . . . . . 32
1.10.1 Esempio: combinazione di serie e parallelo . . . . . . . 34
2 Modelli di manutenzione nel ciclo di vita delle strutture. 36

2.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.2 Modelli di variabile aleatoria . . . . . . . . . . . . . . . . . . . 38
2.2.1 Modello Failure Rate . . . . . . . . . . . . . . . . . . . 39
2.2.2 Modello Reliability Index . . . . . . . . . . . . . . . . . 40
2.2.3 Modello Time Dependent Reliability . . . . . . . . . . . 42
2.3 Modelli di processo stocastico . . . . . . . . . . . . . . . . . . 50
2.3.1 Processo di Decisione di Markov . . . . . . . . . . . . 51
iii
2.3.2 Processi di Rinnovo . . . . . . . . . . . . . . . . . . . . 54
2.4 Calcolo del profilo di affidabilità . . . . . . . . . . . . . . . . . 58
2.4.1 Campionamento casuale di variabile aleatoria . . . . . 59
2.4.2 Stima del profilo di affidabilità in assenza di manuten-
zione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.4.3 Stima del profilo di affidabilità con manutenzione . . . 63
3 Calcolo del profilo dell’indice di affidabilità per una soletta

da ponte in c.a. 65
3.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2 Oggetto di studio . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.3 Caratterizzazione dei materiali . . . . . . . . . . . . . . . . . . 67
3.4 Analisi dei carichi e stima delle sollecitazioni . . . . . . . . . . 71
3.4.1 Carico di tipo g1 . . . . . . . . . . . . . . . . . . . . . 72
3.4.2 Carico di tipo g2 . . . . . . . . . . . . . . . . . . . . . 73
3.4.3 Carico di tipo q1 . . . . . . . . . . . . . . . . . . . . . 75
3.4.4 Stima del momento sollecitante . . . . . . . . . . . . . 77
3.5 Formulazione del degrado strutturale . . . . . . . . . . . . . . 78
3.5.1 Tempo di innesco del degrado . . . . . . . . . . . . . . 80
3.5.2 Modello di degrado delle armature d’acciaio . . . . . . 82
3.6 Stima delle resistenze della struttura . . . . . . . . . . . . . . 85
3.6.1 Verifica SLU della sezione . . . . . . . . . . . . . . . . 86
3.7 Determinazione dell’indice di affidabilità . . . . . . . . . . . . 88
4 Analisi del ciclo di vita per una soletta da ponte in c.a. 92

4.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.2 Approccio del problema . . . . . . . . . . . . . . . . . . . . . 93
4.2.1 CT : costo iniziale . . . . . . . . . . . . . . . . . . . . . 94
4.2.2 CP M : costo manutenzione preventiva (ordinaria o ciclica) 96
4.2.3 CIN S : costo di ispezione . . . . . . . . . . . . . . . . . 98
4.2.4 Attività di riparazione . . . . . . . . . . . . . . . . . . 102
4.2.5 Strategia ottimale di ispezione/riparazione . . . . . . . 105
4.3 Progetto della manutenzione su base probabilistica . . . . . . 110
4.3.1 Analisi e risultati del caso A . . . . . . . . . . . . . . . 111
4.3.2 Analisi e risultati del caso B . . . . . . . . . . . . . . . 112
4.3.3 Commento ai risultati dei casi A e B . . . . . . . . . . 113
5 Conclusioni 118
Bibliografia 120
Ringraziamenti
Eccoci arrivati alla fine (o principio?) di un percorso della vita agognato e

bramato. Questa è l’unica occasione che lo scriba ha di poter formulare alcuni
pensieri, magari privi di rigore matematico, in piena autonomia e rispettosi
solo del proprio libero sentire.
Il ringraziamento più sentito va al mio relatore prof. ing. Gaetano Man-
fredi, persona straordinaria sia sotto l’aspetto accademico che dal punto di
vista umano, che mi ha dato l’opportunità, pur essendo un “trasportista”, di
svolgere questo lavoro di tesi in un ambiente (il D.A.P.S.) dove l’eccellenza
accademica e la disponibilità verso il prossimo sono qualità vive ed indelebili.
Desidero ringraziare il mio correlatore ing. Iunio Iervolino: la sua prepa-
razione e la sua guida hanno acceso in me interesse e viva partecipazione in
argomenti dal freddo rigore logico e deduttivo.
Last but not least, desidero esprimere un sentimento di gratitudine per
l’ing. Gerardo Verderame che è stato sempre disponibile ad aiutarmi durante
la fase di test del codice di calcolo, e per l’ing. Renato Parretti che ha
gentilmente messo a disposizione la sua professionalità per discutere l’oggetto
di studio della tesi.
Sono tanti gli amici incontrati durante l’esperienza universitaria come
Stefano, Umberto, Dino, Igino, Peppino; ma solo in pochi possono fregiarsi
del titolo di compagni: dal latino “cum panis” cioè colui con cui si è diviso
il pane . . . tutto insomma.
Questo pensiero è per te Mauro, persona capace di aver riacceso in me la
voglia e la determinazione nell’affrontare le difficoltà del primo periodo (si-
curamente il più drammatico) della mia carriera universitaria: forse definirti
fratello non sarebbe esagerato.
Come non ricordare la fresca simpatia e rocciosa caparbietà di Giovan-
ni, una persona caratterialmente agli antipodi rispetto a me però capa-
ce di arricchire il prossimo con consigli ed idee degne di incondizionata
ammirazione.
Un pensiero anche per Graziano fidato compagno in numerosi esami: ca-
pace di ricordare la formazione dell’Italia di Mexico ’86 e di applicare al-
v
la perfezione il metodo dell’Ellisse di Elasticità . . . beh . . . che dire di più
. . . semplicemente un mito.
Un doppio grazie per Salvatore e Pasquale: persone capaci di essere
pragmatici e decisi nel momento dello studio ma senza svanire la luce della
semplicità.
Un grazie anche per il carissimo Pintuccio: un esperto di musica classica e
rock come pochi, bramoso lettore di romanzi di Philip K. Dick, fedele utente
di Linux . . . una persona che condivide con il prossimo la sua conoscenza
incondizionatamente.
La famiglia è il punto di riferimento per eccellenza di ognuno, raggiungere
un risultato cosı̀ importante è sicuramente dovuto anche all’appoggio che i
miei cari mi hanno offerto durante gli anni.
Ecco quindi che il mio abbraccio più forte e ringraziamento più sentito
sono per mio padre e mia madre: sia nei periodi nefasti che nei giorni di
buon auspicio la loro fiducia e supporto sono stati punti di riferimento per
il mio progredire. La continua ammirazione per ciò che oggi sono diventati,
sapendo in che modo hanno iniziato, sarà per la mia vita un punto riferimento
assoluto: un faro che rinfranca il cuore dei marinai nel mare burrascoso della
vita. Grazie a voi per tutto quanto.
I miei fratelli sono stati come dei pionieri: le loro esperienze hanno ar-
ricchito non solo le loro esistenze ma anche reso più fertile il mio cammino
di vita. La loro forza ed il loro impegno sono l’esempio più chiaro di ciò che
sarò “da grande”: oggi guardo lontano perchè poggio sulle loro spalle!
In fine, ma non per ordine di importanza, ho serbato un pensiero parti-
colare e speciale per la mia carissima Nunzia. Sono più di quattordici anni
che condividiamo il quotidiano, quindi chi meglio di lei può conoscere le mie
vicissitudini ed il mio percorso di vita fin qui compiuto. Averla al mio fianco
è stata la mia arma segreta per aver ragione delle avversità, il suo continuo
incitamento e la sua gioia di vivere mi hanno reso una persona migliore, il suo
affetto ed il suo sorriso sono la migliore delle ricompense dopo una giornata
di impegno debilitante. Non so, e non saprò mai, come sarebbe stata la mia
vita senza di lei: ma certamente in questo istante la sua presenza è la stella
Polare del mio vivere sereno. Lei, per me, è preziosa come e più del sale!
vi
Introduzione
Questo lavoro di tesi affronta l’analisi dell’affidabilità strutturale, per una

soletta da ponte, con l’obiettivo di implementare il progetto, su base proba-
bilistica, della manutenzione nel ciclo di vita. Per raggiungere tale fine viene
utilizzata l’analisi dell’affidabilità strutturale partendo dalle seguenti ipotesi

concettuali:
• resistenza e sollecitazione sono variabili aleatorie;
• criterio di collasso per flessione;
• indice di affidabilità calcolato col Metodo di Cornell;
• degrado strutturale uniforme delle barre d’acciaio dovuto all’attaco da
cloruri.
La valutazione dell’indice di affidabilità strutturale β all’istante di vita t =

0 permette di calcolare la probabilità di collasso del componente strutturale
tramite la seguente:
Pf ail = 1 − Φ(β)
Siccome la struttura degrada nel tempo, anche la sua capacità portante
flessionale sarà compromessa dalla progressiva riduzione dell’area delle barre

d’armatura. Tale degrado prosegue inesorabile nel tempo, quindi la valu-
tazione dell’affidabilità strutturale non può esaurirsi al tempo t = 0, ma

bisogna estenderla a tutta la vita utile. Per poter condurre tale studio di β
sono utilizzate tecniche di stima e valutazione su base probabilistica; la com-
1
pilazione di un codice di calcolo permette di stimare le seguenti grandezze
aleatorie:
• variazione nel tempo dell’area dei ferri;
• variazione nel tempo del Momento Ultimo;
• individuazione del profilo dell’indice β;
• individuazione del profilo delle probabilità di collasso.
L’evoluzione (profilo) nel tempo dell’indice di affidabilità è la base per svi-

luppare, in modo razionale, un progetto della manutenzione della soletta da
ponte. Tale progetto di manutenzione contiene una strategia di ispezione e ri-
parazione straordinaria, capace di minimizzare i costi attesi ad essa connessi.

Le ipotesi che vengono formulate a questo proposito sono le seguenti:
• vita utile della struttura pari a 75 anni;
• tasso di interesse costante nel tempo;
∗
• minimo valore accettabile βlif e pari a 4 a cui corrisponde una Pf del-
l’ordine di 10−5 ;
• non sempre all’atto dell’ispezione segue un’attività di riparazione.
2
Capitolo 1
Affidabilità strutturale: teoria e

modelli
1.1 Approccio deterministico
Il primo approccio non empirico nella definizione della sicurezza struttu-

rale è sicuramente quello detto delle tensioni ammissibili, metodo largamente
utilizzato sia per le semplificazioni matematiche che, sotto l’ipotesi di distri-
buzione lineare degli sforzi, la teoria forniva, sia perché, negli anni, numerose
prove hanno dimostrato il comportamento soddisfacente in esercizio e un
adeguato margine di sicurezza rispetto al collasso delle strutture con esso
progettate. Il principio di sicurezza consiste nel verificare che la massima
tensione calcolata nella sezione maggiormente sollecitata della struttura, nel-

la condizione più sfavorevole di carico, sia inferiore ad una certa tensione
ammissibile. Questa tensione di riferimento viene derivata dalla tensione di

rottura del materiale, opportunamente scalata attraverso un fattore di sicu-
rezza che è misura delle incertezze legate sia al carico che alla sollecitazione.
3
In tale procedura si effettua il seguente confronto :
Rf
S ≤ Ramm = (1.1)
γ
dove S è la tensione applicata, Rf è la tensione di rottura del materiale e γ è il
coefficiente di sicurezza. I problemi connessi all’utilizzo di questo metodo per
la verifica della sicurezza strutturale sono vari: in primo luogo la difficoltà
di definire una misura, γ , adeguata specialmente nella valutazione delle

strutture esistenti nelle quali il sistema è presente e si degrada; in secondo
luogo la necessità di individuare grandezze da confrontare che esprimano
realmente il problema della sicurezza; infine l’eccessiva semplificazione del

problema meccanico in cui sono presenti fenomeni complessi diversi quali la
plasticizzazione, l’instabilità, etc.
1.2 Approccio probabilistico
A causa dei problemi e delle incertezze legate al metodo delle tensioni

ammissibili, gli ingegneri hanno cercato negli anni di affrontare il problema
da un diverso punto di vista definendo la sicurezza utilizzando metodi proba-
bilistici. Attraverso un approccio probabilistico sia la sollecitazione S agente
sul generico elemento che la sua resistenza R sono modellate come variabili
aleatorie, che descrivono l’incertezza intrinseca in tali grandezze dipendenti

da una innumerevole quantità di fenomeni non modellabili in via determini-
stica.
Tale punto di vista è quello detto degli stati limite in cui si definisce il rag-
4
giungimento di uno stato limite di una struttura, quando un certo parametro
caratterizzante la risposta strutturale raggiunge un valore limite. La verifica
è in questo caso del tipo:
S≤R (1.2)
Possiamo quindi definire la probabilità di rottura come la probabilità che la
disuguaglianza critica sia violata o meno:
Pf ail = P r[S > R] (1.3)
Psucc = 1 − Pf ail = P r[S ≤ R] (1.4)
Le suddette probabilità possono essere espresse come la probabilità che in
uno spazio di variabili aleatorie, un punto X , che rappresenta i parametri
significativi di input e di sistema, si trovi nel dominio di rottura F (Failure

Set) o nel dominio di sicurezza S (Safe Set):
Z
Pf ail = fX (x) dx (1.5)
F
Z
Psucc = fX (x) dx (1.6)
S
In tale notazione si è indicati con fX (x) la funzione di densità di probabilità
multivariata del vettore X = {X1 , . . . , Xn } dove Xn sono variabili aleatorie
semplici che possono descrivere i carichi, le dimensioni, le caratteristiche dei

materiali, ecc.
Inoltre si può definire una funzione G = G(x) detta funzione di prestazione
5
tale che:
G(x) > 0 ⇒ Successo
G(x) < 0 ⇒ Rottura
Facendo riferimento a due variabili casuali R e S (Resistenza e Sollecitazione)
tale funzione di prestazione è semplicemente definita dalla:
G(R, S) = R − S (1.7)
Avendo quindi introdotto la G(R, S) l’integrale 1.5 assume la seguente forma:
Z
Pf ail = fX (x) dx (1.8)
G(X)≤0
Da ciò si evince che il problema dell’affidabilità strutturale si riduce alla
risoluzione di questo integrale multidimensionale; in realtà una soluzione in
forma chiusa di questo integrale è possibile solo in rarissimi casi e sotto ipotesi
molto restrittive. In genere i passi da seguire per poter risolvere il problema
dell’affidabilità strutturale con un approccio totalmente probabilistico sono:
1. determinazione della funzione di densità di probabilità congiunta ovve-
ro della forma funzionale della fX (x);
2. determinazione della forma funzionale della funzione di prestazione;
3. calcolo della 1.8;
4. ottimizzazione della struttura rispetto alla Pf ail ;
6
Il primo punto è un problema standard di statistica inferenziale notevolmente
semplificato se si può fare l’ipotesi di indipendenza statistica tra le variabili.
Il secondo punto è un problema più specifico di teoria dell’affidabilità, in
molti casi conosciamo la forma analitica della funzione di stato limite G, ma
in altri casi questa funzione deve essere stimata dai dati ed è quindi nota solo
in forma numerica. Bisognerà in questi casi usare approcci particolari (come
quello della superficie di risposta) per determinare la forma di G.

Il terzo punto è un problema puramente computazionale, si dovrà quindi
cercare di risolverlo con i metodi propri dell’analisi numerica essendo esso

un problema di integrazione multidimensionale con domini di integrazione
definiti in forma implicita (sotto forma di disequazioni in uno spazio gene-

ralmente ad n dimensioni). Va inoltre ricordato che l’integrale 1.8 può essere
risolto solo grazie a delle simulazioni Monte Carlo che in genere sono molto
onerose computazionalmente.
Solo nel caso di problema bidimensionale di variabili indipendenti e di ipotesi
di funzione di prestazione lineare è possibile trovare una soluzione in forma
chiusa.
1.3 Indice di affidabilità
Il calcolo dell’integrale 1.8 rappresenta un problema matematico di so-

luzione non banale che nella maggior parte dei casi può essere risolto solo
numericamente con delle simulazioni onerose in termini di tempo e potenza
di calcolo. Per questo motivo diversi autori a partire dagli anni sessanta
hanno proposto l’idea di valutare l’affidabilità attraverso un indice β , detto
7
indice di affidabilità. Questo indice misura, in unità di deviazione standard,
la distanza tra il valore medio (design point) del vettore X ed il contorno
del dominio di rottura (G(X) = 0). La valutazione dell’indice β è quindi
un problema di ricerca di minimo vincolato. Una volta che questo indice sia
stato calcolato è possibile calcolare la probabilità di collasso e confrontarla
con dei valori di riferimento per poter valutare il grado di affidabilità della
struttura: maggiore sarà il valore di β, minore sarà la probabilità di

collasso.
Ora si mostrerà la procedura di calcolo dell’indice β ipotizzando che:
• lo spazio di variabili normaldistribuite ed indipendenti sia bidimensio-

nale;
• la funzione di stato limite G(R, S) = R − S sia lineare;
• le variabili R, S siano normali (Gaussiane);
Definiamo due variabili aleatorie R0 e S 0 tali che:
R − µR S − µS
R0 = S0 = (1.9)
σR σS
dove i simboli µ e σ rappresentano rispettivamente media e deviazione stan-
dard delle variabili stesse. Le relazioni 1.9 rappresentano una trasformazione
in uno spazio di variabili aleatorie normali standardizzate, quindi in uno spa-
zio di variabili normali aventi media zero e varianza unitaria. Inserendo le

1.9 nella G(R, S) = R − S si ottiene:
σR R0 − σS S 0 + µR − µS = 0 (1.10)
8
che è l’equazione di una retta la cui distanza dall’origine è proprio pari a β.
Figura 1.1: Spazio di stato limite (sx); Spazio di stato limite ridotto (dx)
Ricordando che la distanza di una retta ax + by + c = 0 dall’origine è

√
c/ a2 + b2 , l’indice di affidabilità sarà:
µR − µS
β=p 2 (1.11)
σR + σS2
Tale relazione è nota come Espressione di Cornell.
Si ricorda che l’esempio e le formule fin qui sviluppate valgono solo per
il caso trattato: spazio bidimensionale di variabili normaldistribuite ed indi-

pendenti.
9
1.3.1 Esempio: calcolo di β
Si consideri una trave di lunghezza L = 1 m e diametro d = 5 cm, realizza-

ta in acciaio, con modulo di elasticità normale E distribuito in modo Normale
con media 2, 1 · 105 N/mm2 e deviazione standard 3, 0 · 104 N/mm2 soggetta ad
un carico di punta aleatorio anch’esso Normale con media 100KN e deviazione

standard 20KN .
Figura 1.2: Elemento soggetto a carico di punta
Si vuole conoscere l’indice di affidabilità β e la probabilità di collasso Pf rispetto

allo stato limite di svergolamento.
Dalla teoria euleriana dell’instabilità, il carico critico o di svergolamento

Nc è dato dalla relazione:
E·I π 2 · d4
Nc = π 2 · = ·E
L2 64 · L2
Se si assume una formulazione della superficie limite del tipo G = R − S,
allora risulterà:
Pf = P [Nc − N ≤ 0]
10
Riscrivendo questa espressione in funzione delle variabili aleatorie presenti:
π 2 · d4
G = aE − N con a=
64 · L2
Applicando la 1.11 facilmente si ricava il valore dell’indice di affidabilità:
a · µ E − µN 0, 96 · 2, 1 · 105 − 100 · 103

β=p = p = 2, 91
2
a2 · σE2 + σN 0, 92 · 9 · 108 + 4 · 108
Dalle tabelle della Gaussiana Standard si ricava il valore dell’area sottesa

dalla curva fino alla coordinata z = 2, 91:
Φ(2, 91) = 0, 9982
La probabilità di collasso sarà il complemento ad 1 di tale valore:
Pf = 1 − Φ(β) = 1 − 0, 9982 = 0, 0018 = 1, 8 · 10−3
1.4 Calcolo di β: Z = G(X) non lineare
In questo paragrafo formuleremo in maniera più generale il problema
della determinazione dell’indice di affidabilità estendendo quanto esposto nel
paragrafo precedente a spazi dimensionali di ordine n, in cui le variabili non

siano necessariamente gaussiane e indipendenti. Si consideri la funzione di
stato limite Z = G(X) non lineare, in tale ipotesi la media µX e la matrice

P
di covarianza XX di Z non sono note. Se si utilizza lo sviluppo in serie di
11
Taylor nel punto µX :
Z = G(µX ) + (∇X G)TX=µX (X − µX ) + o(k(X − µ)2 k)
otteniamo le seguenti approssimazioni:
µZ ≈ G(µX )
X
σZ2 ≈ (∇X G)TX=µX · ·(∇S G)X=µX
XX
Ciò porta a definire un particolare indice di affidabilità detto MVFOSM

(Mean Value First Order Second Moment reliability index ):
G(µX )
βM V F OSM = q P (1.12)
∇X G)TX=µX · XX ·(∇S G)X=µX
Questo indice di affidabilità è affetto da un problema: non è invariante ri-

spetto alla sostituzione di una funzione di stato limite con una equivalente.
Il problema della invarianza fu risolto da Hasofer e Lind attraverso una ri-
formulazione del problema in uno spazio gaussiano standard grazie ad una

trasformazione lineare. Questi autori scoprirono che la causa della invarianza
era da imputare allo sviluppo in serie di Taylor nel punto µX ; essi proposero
di eseguire lo sviluppo in serie di Taylor in un punto della superficie di rottura
il più vicino possibile all’origine nello spazio normale standard. La distanza

di questo nuovo punto dall’origine rappresenta il βF OSM (First Order Second
Moment reliability index ).
12
1.5 Stima della probabilità
Adottando la classificazione proposta da Burcharth (1992,1997) si posso-

no distinguere metodi del I, II, III e IV livello per la stima di una probabilità,
a seconda della quantità di informazioni statistiche a disposizione e delle sche-
matizzazioni matematiche adottate per esse. Ecco una breve descrizione dei
metodi di stima suddetti:
• I Livello: è un metodo di stima, di natura quasi deterministica, che si
basa sull’uso di coefficienti di sicurezza parziale;
• II Livello: le variabili aleatorie sono trasformate in un insieme di

variabili indipendenti e normali, e la probabilità è stimata attraverso
un indice di affidabilità. Fanno parte di questo livello il metodo FORM
ed il metodo SORM;
• III Livello: la superficie limite è considerata nella sua effettiva espres-
sione e le variabili aleatorie sono descritte attraverso le reali funzioni

di probabilità. Fanno parte di questo livello i metodi della simulazione
numerica come il metodo Monte Carlo;
• IV Livello: sono modelli di ottimizzazione economica, basati sulle
stime dei costi di realizzazione e di manutenzione attesi nella vita
dell’opera.
1.5.1 Metodo FORM
La superficie di stato limite 1.7 divide lo spazio delle variabili aleatorie
R e S nel dominio di sicurezza (dove G > 0) ed in quello di rottura (dove
13
G < 0). La probabilità di rottura assume la forma della 1.8 in cui X è
il vettore delle variabili aleatorie di base e fX (x) è la funzione di densità
di probabilità congiunta delle stesse. Il metodo di II livello FORM (First
Order Reliability Metod ) è una procedura per poter stimare la Pf ail , i passi
da seguire in questo metodo sono:
1. le variabili aleatorie di base X sono state assunte distribuite secondo

legge normale e trasformate in variabili normali standard U ;
2. la funzione limite viene trasformata nello spazio U delle variabili nor-

mali standard;
3. la fX (x) assume la forma di φn (u);
La probabilità di rottura 1.7 assume la forma di:
Z
Pf ail = φn (u) du (1.13)
G(U )≤0
In relazione al punto 2 la funzione di stato limite assume la forma G(X) =
G(U ). Ad essa si sostituisce il suo sviluppo in serie di Taylor, troncato al pri-

mo ordine, intorno al punto della superficie limite avente la minima distanza
dall’origine degli assi (Design Point).
In relazione al punto 3 la φn (u) è la PdF di una distribuzione normale
standard ad n dimensioni. Questa funzione ha due importanti proprietà:

è simmetrica rispetto ad una qualsiasi rotazione di assi ed inoltre decade
esponenzialmente con il quadrato della norma di kuk. Quindi i punti che

contribuiscono in modo significativo all’integrale 1.13 sono quelli più vicini
all’origine dello spazio normale standard.
14
Se la G(U ) è lineare in U la probabilità di collasso diventa:
Pf ail = Φ(−β) (1.14)
dove la Φ è la CdF di una distribuzione normale standard, mentre β è l’indice
di affidabilità. Tale indice può essere definito come:
β = a T · u∗
con
u∗ = min{kuk : G(u) ≤ 0}
Il valore a indica il versore normale alla superficie limite mentre il punto u∗
è quello che precedentemente avevamo definito Design Point e che in questo

caso può essere anche inteso come punto di rottura più probabile nello spazio
normale standard. Geometricamente nel metodo FORM la superficie limite
viene identificata con l’iperpiano ad essa tangente in u = u∗ .
Nel caso in cui la G(U ) non sia lineare in U si procede al calcolo dell’indice
β e poi si stima la probabilità di collasso:
Pf ail ≈ Φ(−β)
1.5.2 Metodo SORM
L’approssimazione della superficie limite con un iperpiano (attraverso uno
sviluppo in serie di Taylor del primo ordine) può non essere soddisfacente se
la superficie ha una curvatura significativa. Anche se la funzione di stato
15
Figura 1.3: Definizione geometrica del Design Point
limite è lineare nello spazio originale, essa può diventare non lineare dopo
la trasformazione nello spazio normale standard. L’approccio più comune è
stato quello di approssimare la superficie limite reale con una superficie pa-
rabolica, quadratica o di ordine superiore, attorno al Design Point. Quando
la superficie di stato limite è approssimata nello spazio normale standard
da una superficie quadratica del secondo ordine attorno al Design Point, il
metodo di calcolo dell’affidabilità strutturale viene chiamato SORM (Second

Order Reliability Metod ).
Un modo per affrontare lo studio di affidabilità con metodologie di tipo
SORM è quello di utilizzare i risultati della teoria delle approssimazioni asin-
totiche. La probabilità di rottura può quindi essere stimata determinando

le curvature principali ki della superficie di stato limite nello spazio normale
16
standard nel Design Point ed applicando quindi l’espressione asintotica:
n−1
Y n−1
Y
−1/2
Pf ail ≈ Φ(−β) · (1 − βki ) = Pf ailF ORM · (1 − βki )−1/2 (1.15)
i=1 i=1
dove ki sono le curvature principali calcolate in u = u∗ e β è l’indice di
affidabilità calcolato come con il metodo FORM.
In sostanza la 1.15 rappresenta il prodotto dei risultati ottenuti con il metodo
FORM con un termine che rappresenta la correzione dovuta alla curvatura.
1.5.3 Metodo Monte Carlo
Nei paragrafi precedenti si è visto che il vero problema del calcolo della
Pf è che raramente l’integrale 1.8 sia risolvibile analiticamente ossia giungen-

do ad una soluzione esatta: la difficoltà computazionale di tale integrale sta
nella dipendenza da molti fattori delle variabili aleatorie. Esistono, tuttavia,
metodi numerici per calcolare (stimare) la Pf : uno di questi è il metodo Mon-
te Carlo. Le origini di tale metodo si possono individuare nei primi anni ’30
quando già Enrico Fermi sosteneva di utilizzare stime ottenute con tecniche
di campionamento statistico per lo studio del moto dei neutroni. Il metodo
di simulazione fu formalizzato negli anni ’40 da John Von Neumann e Steve

Ulam che partecipavano al progetto Manhattan per lo studio della dinamica
delle esplosioni nucleari. A quanto pare il nome Monte Carlo fu coniato da
Nicholas Metropolis nel settembre del 1949 in riferimento al celebre casinò,

sede per antonomasia dell’aleatorietà. Una simulazione Monte Carlo viene
utilizzata quando del problema in esame, che coinvolge un numero elevato

di variabili aleatorie, si conosce o si può ipotizzare la distribuzione di proba-
17
bilità di queste variabili. Esso calcola l’integrale 1.8 definendo una funzione
ausiliaria I(x) (detta funzione indicatrice) che assume valori nulli nell’insie-
me dove G > 0 e valore unitario nell’insieme dove G ≤ 0. La probabilità di
collasso Pf coinciderà con il valore atteso della funzione indicatrice I(x):


 0 se x ∈ S
I(x) = ⇒ Pf = E[I(x)] (1.16)

 1 se x ∈ F
Dalla Teoria della Stima dei parametri di variabili aleatorie, si può stimare
Pf dalla stima della media di I(x) calcolando il rapporto tra il numero di
esperimenti di esito negativo NF (quelli per cui risulta G ≤ 0) ed il numero
totale di simulazioni eseguite N :
NF
Pf = E[I(x)] = (1.17)
N
Il rapporto 1.17 è generalmente molto piccolo e quindi la probabilità cosı̀

stimata è soggetta ad incertezza. In particolare, la varianza del suddetto
rapporto decresce al crescere del numero N delle simulazioni: l’incertezza
nella valutazione di Pf decresce col crescere di N . Si dimostra che il numero
di simulazioni necessarie per ottenere una buona approssimazione della pro-

babilità di collasso è dell’ordine di grandezza di 10/Pf , per cui per stimare
una probabilità di 10−3 sono necessarie 104 simulazioni.
18
1.5.4 Importance Sampling ed Adaptive Sampling
Le simulazioni Monte Carlo, come detto precedentemente, richiedono un

elevato numero di campioni N per ottenere risultati accurati. Sono stati
sviluppati dei metodi simulativi che hanno come scopo il ridurre il numero
di campionamenti necessari senza peggiorare la qualità dei risultati: a parità

di campioni si riduce la varianza. Tra questi metodi ricordiamo il metodo
Importance Sampling ed il metodo Adaptive Sampling.
Modello Importance Sampling. Ricordando la definizione di funzione in-

dicatrice, è lecito scrivere la Pf in questo modo:
Z Z
Pf = fX (x) dx = I[G(x)]fX (x) dx
G(X)≤0 G(X)≤0
Questa relazione la possiamo scrivere in un modo equivalente introducendo

la funzione hV (x) di densità di probabilità detta di Importance Sampling:
Z
hV (x)
Pf = I[G(x)]fX (x) dx
G(X)≤0 hV (x)
Attraverso l’operatore Speranza Matematica E{·} è possibile esprimere tale
relazione come un valore atteso:
½ ¾
fX (x)
Pf = J = E I[G(x)]
hV (x)
quindi, la probabilità di collasso può essere stimata in questo modo:
N
" #
1 X fX (V̂j )
Pf ≈ J2 = I[G(V̂j ) ≤ 0] (1.18)
N j=1 hV (V̂j )
19
in cui V̂j è un vettore di valori generati a partire dalla funzione hV (·). La
varianza di J2 si può esprimere come:
Z · ¸2
1 fX (x)
V ar[J2 ] = I[G(x) ≤ 0] hV (x) dx − J 2 (1.19)
N hV (x)
È evidente che scegliendo in modo opportuno la funzione hV (x) è possibile

ridurre la varianza di J2 e quindi la Pf ; determinare in modo ottimale la
hV (x) è complesso: in genere si determina prima il Design Point e poi come
funzione di Importance Sampling si considera la fX (x) scalata in maniera

tale che la sua media coincida con il Design Point.
Modello Adaptive Sampling. Per poter ottenere una riduzione dell’one-

re computazionale legato alle simulazioni ed in contempo la riduzione della
varianza (e quindi dell’errore) legata al procedimento bisogna scegliere la fun-

zione hV (x) in modo opportuno. Questo è un problema complesso ma vi è
una possibilità per migliorare la funzione di Importance Sampling: si sceglie
una hV (x) di primo tentativo e si realizzano dei campionamenti preliminari.
Queste informazioni sono utili per poter calibrare la hV (x) affinchè converga
più rapidamente. Infatti è lecito poter scrivere la hV (x) come combinazione
di funzioni di densità di probabilità elementari:
X
hV (x) = wj · hVj (x) (1.20)
dove wj sono i pesi selezionati in maniera tale che la hV (x) abbia una forma
il più possibile simile a fX (x) all’interno del dominio di rottura. I pesi sono
20
espressi nel seguente modo:
fX (X̂j )
wj = Pk (1.21)
i=1 fX (X̂i )
X̂j è il punto dove sono centrate le funzioni hVj (x); una volta che i pesi siano
stati determinati grazie al campionamento iniziale, possono essere utilizzati,

e quindi iterati, ulteriori processi di campionamento grazie ai quali ottenere
stime dei pesi e quindi della probabilità di collasso sempre migliori.
1.5.5 Esempio: stima della Pf con Monte Carlo
Si consideri un tirante a cui è applicato un carico di trazione aleatorio con

distribuzione Uniforme nell’intervallo [40Kn, 48Kn] mentre la resistenza, an-
ch’essa Uniforme, è distribuita nell’intervallo [46Kn, 54Kn] come riportato in
figura 1.4. Calcolare la probabilità di collasso del tirante.
Prima di procedere alla stima della Pf del tirante è necessario chiarire

che tale esercizio può essere risolto molto agevolmente in forma chiusa; ma
raramente accade che le variabili aleatorie siano stocasticamente indipendenti
e quindi il calcolo della probabilità di collasso (cioè il calcolo dell’integrale 1.8)
non sempre è cosı̀ semplice ed immediato. A questo proposito si è utilizzata

la procedura Monte Carlo per poter stimare la probabilità 1.8, eseguendo
10.000 iterazioni. Una variabile aleatoria X ha una distribuzione Uniforme
o Rettangolare quando la sua Pdf è definita come segue [2]:



 1
b−a
per a ≤ x ≤ b; con b > a
fX (x) = (1.22)

 0 altrimenti
21
Figura 1.4: PdF della Sollecitazione e della Resistenza
dove i parametri a, b sono cosı̀ definiti:
• a valore minimo (min);
• b valore massimo (max).
Con l’ausilio del foglio elettronico Excel è stato possibile estrarre un campione
casuale delle variabili R, S: si assegna un numero casuale n ∈ [0, 1] e si

impone che il valore delle variabili risulti dalla relazione a + n · (b − a).
Come passo successivo si è stimata la funzione limite G = R − S e quindi
si è calcolato il rapporto:
NF
Pf = (1.23)
N
dove:
• NF numero di esperimenti tali che G ≤ 0;
• N numero iterazioni.
22

3G)
&G)

)UHT
7RW

3I 3I

* 56
Figura 1.5: PdF della G = R − S
La probabilità cosı̀ stimata risulta essere circa:
Pf = 0, 03
a questo proposito viene riportata nella figura 1.5 l’andamento della PdF e
della CdF: la Pf viene rappresentata sia come area sottesa dalla PdF prece-
dente il valore zero, sia come valore della CdF in corrispondenza dello zero.
1.6 Ridondanza e modalità di collasso: intro-
duzione
Dalla teoria dell’affidabilità si deduce che le funzioni di stato limite eser-

citano una influenza diretta sul comportamento del sistema strutturale in
23
condizioni di collasso. Per poter sviluppare tale tematica si deve tener conto
dei seguenti aspetti imprescindibili dal contesto principale:
• Ridondanza delle strutture e redistribuzione delle resistenze;
• Modalità di collasso delle strutture.
1.7 Ridondanza delle strutture
La Ridondanza è un’importante qualità dei sistemi strutturali: è la ca-
pacità di ridistribuire i carichi dopo il collasso di una o più componenti.
Questa qualità non è facile da calcolare. Durante gli ultimi quindici anni
molte definizioni di ridondanza strutturale sono state proposte ed utilizzate
per controllare la disponibilità di allarme prima dell’avvento del collasso. In
un recente studio, è stata utilizzata la seguente misura di ridondanza per i
ponti [4]:
αsys = βsys − βW M (1.24)
dove:
• βsys : indice di affidabilità del sistema ponte;
• βW M : indice di affidabilità del componente strutturale più debole (me-

no affidabile).
Dagli studi presenti in [4] è stata proposta la seguente misura di ridondanza:
γsys = βSM − βW M (1.25)
dove:
24
• βSM : indice di affidabilità del componente strutturale più forte (più
affidabile);
• βW M : indice di affidabilità del componente strutturale più debole (me-

no affidabile).
Quindi il livello di ridondanza di un sistema strutturale, in questo caso di un
ponte, è dato dal confronto tra la 1.24 e la 1.25 cosı̀ condotto [4]:
• sistema ponte molto ridondante: αsys > γsys ≥ 0;
• sistema ponte ridondante: γsys ≥ αsys ≥ 0;
• sistema non ridondante: αsys < 0;
L’affidabilità e la ridondanza di un sistema strutturale sono altamente di-

pendenti dal criterio di collasso che viene ipotizzato, dal moltiplicatore dei
carichi mobili assunto e dalla correlazione assunta tra le componenti della
stessa struttura.
1.8 Modalità di collasso in serie
Un sistema viene definito in serie quando la condizione di collasso si rag-
giunge nel momento in cui una qualunque delle sue componenti è in condizio-
ne di collasso. Un sistema cosı̀ schematizzato non ha evidentemente ridondan-
za e viene anche definito collegamento debole o Weakest Link. Indicando con
Fi l’evento collasso del i-esimo elemento, allora l’evento FS che rappresenta
25
Figura 1.6: Rappresentazione schematica di un sistema in serie
il collasso dell’intera struttura sarà pari alla unione dei singoli Fi :
[
FS = Fi (1.26)
i
È chiaro che l’evento successo SS del sistema è pari alla intersezione dei
singoli successi Si :
\
SS = Si (1.27)
i
La probabilità di collasso di un sistema in serie è data dalla seguente:

Ã ! Ã !
[ \
P (FS ) = P Fi =1−P Si (1.28)
i i
Il calcolo della probabilità di collasso di un sistema in serie definita dall’equa-
zione 1.28 è generalmente una operazione complessa e richiede la conoscenza

della correlazione tra tutte le modalità di collasso. Una procedura appros-
simata per valutare la probabilità di collasso è quella di calcolare un limite
superiore ed un limite inferiore alla probabilità stessa invece di cercare di cal-
colare il valore esatto. Per la valutazione di questi limiti possiamo utilizzare
due diversi tipi di formulazione:
• limiti del primo ordine;
• limiti del secondo ordine.
26
1.8.1 Esempio: affidabilità di sistema in serie
Si consideri un sistema che abbia tre componenti che siano disposti in serie,
ciascuno con le seguenti affidabilità:
• R1 = 99, 5%
• R2 = 98, 7%
• R3 = 97, 3%
Si calcoli l’affidabilità del sistema.

L’affidabilità del sistema è data dalla 1.27:
RS = R1 · R2 · R3 = 0, 955549245 = 95, 55%
È utile osservare che in una configurazione in serie l’affidabilità del sistema

risulta inferiore a quella del componente meno affidabile; a conferma di ciò è
utile considerare la seguente tabella:
Componente 1 Componente 2 Componente 3 Sistema
0,7 0,8 0,9 0,504
0,8 0,8 0,9 0,576
0,7 0,9 0,9 0,567
0,7 0,8 0,99 0,554
Tabella 1.1: Tabella variazioni affidabilità in serie
Nella tabella 1.1 viene esaminato l’effetto dell’affidabilità del singolo com-
ponente su quella del sistema; la prima riga contiene i valori delle affidabilità
dei componenti e del sistema, nelle altre righe viene aumentato del 10% un
valore mentre rimangono inalterati gli altri due. Come si può osservare l’au-
mento dell’affidabilità dell’elemento meno affidabile ha prodotto nel sistema
27
un incremento di affidabilità maggiore che negli altri casi presenti nelle righe
della tabella; tutto ciò si puo riassumere con la seguente frase: “Una catena
è tanto forte quanto il suo anello più debole.”
1.8.2 Limiti del primo ordine
I limiti del primo ordine del valore probabilità di collasso di un siste-
ma in serie non richiedono informazioni sulla correlazione tra gli eventi che
definiscono il sistema stesso.
Se gli eventi Fi si considerano perfettamente correlati, la probabilità di

un collasso del sistema è semplicemente il valore massimo tra le singole
probabilità di collasso:
max{P (Fi )} ≤ P (FS ) (1.29)
Se invece gli eventi Fi si considerano statisticamente indipendenti è possibile
determinare un limite superiore al valore probabilità di collasso. In questo

caso a partire dalla equazione 1.28 possiamo scrivere:
Ã !
\ Y Y X
P (FS ) ≤ 1 − P Si =1− P (Si ) = 1 − [1 − P (Fi )] = P (Fi )
i i i i
(1.30)
Combinando insieme la 1.29 e la 1.30 otteniamo i limiti superiore ed inferiore
che stavamo cercando:
X
max{P (Fi )} ≤ P (FS ) ≤ P (Fi ) (1.31)
i
I limiti cosı̀ calcolati sono ravvicinati, e quindi vicini alla soluzione esatta,
28
nel caso in cui esista nella struttura una modalità di collasso dominante;
altrimenti essi sono in generale troppo ampi per poter essere efficacemen-
te utilizzati come stima della probabilità di collasso. In quest’ultimo caso
è necessario ricorrere a limiti del secondo ordine che tengono conto della
correlazione tra coppie di modalità di collasso.
1.8.3 Limiti del secondo ordine
Questi limiti, conosciuti anche come limiti di Ditlevsen, tengono conto
della correlazione, e quindi della dipendenza, tra coppie di eventi collasso e

per questo vengono denominati metodi del secondo ordine. I limiti inferiore e
superiore alla probabilità di collasso, per un sistema costituito da k possibili
modalità di collasso, sono funzioni della probabilita congiunta:
P (Fi ∩ Fj )
Ricordando la relazione 1.14 a pagina 15 è lecito scrivere che:
P (Fi ∩ Fj ) = Φ2 (−βi , −βj , ρij )
dove:
• βi e βj : indici di affidabilità degli eventi i-esimo e j-esimo;
• ρij : coefficiente di correlazione tra βi e βj ;
• Φ2 (−βi , −βj , ρij ): funzione cumulativa di una distribuzione gaussiana

bidimensionale con media (0, 0) e varianza (1, 1).
29
Oltre ai limiti del primo ordine e a quelli del secondo ordine possono essere
definiti limiti di ordine superiore che però richiedono il calcolo della probabi-
lità dell’intersezione di più di due eventi e sono per questo, seppur più precisi,
molto più complessi da calcolare.
1.9 Modalità di collasso in parallelo
Un sistema viene definito in parallelo quando la condizione di collasso

si raggiunge nel momento in cui tutte le sue componenti sono in condizione
di collasso. Indicando con Fi l’evento collasso del i-esimo elemento, allora
Figura 1.7: Rappresentazione schematica di un sistema in parallelo
l’evento FP che rappresenta il collasso dell’intera struttura sarà pari alla
intersezione dei singoli Fi :

\
FP = Fi (1.32)
i
30
È chiaro che l’evento successo SP del sistema è pari alla unione dei singoli
successi Si :
[
SP = Si (1.33)
i
La probabilità di collasso di un sistema in parallelo è data dalla seguente:

Ã ! Ã !
\ [
P (FP ) = P Fi =1−P Si (1.34)
i i
Analogamente al caso dei sistemi in serie, anche per i sistemi strutturali in
parallelo la valutazione della 1.34 è generalmente difficile e quindi anche in

questo caso è necessario utilizzare un procedimento approssimato per la defi-
nizione di limiti superiore ed inferiore alla probabilità di collasso del sistema.
Utilizzando una procedura simile al caso dei sistemi in serie, si definiscono
dei limiti del primo ordine per poter approssimare la P (FP ). Nel caso in
esame si ha la seguente:
Y
P (Fi ) ≤ P (FS ) ≤ min{P (Fi )} (1.35)
i
Questi limiti sono eccessivamente estesi e non consentono quindi una buona
procedura di approssimazione.
1.9.1 Esempio: affidabilità di sistema in parallelo
Si consideri un sistema che abbia tre componenti che siano disposti in paral-
lelo, ciascuno con le seguenti affidabilità:
• R1 = 99, 5%
31
• R2 = 98, 7%
• R3 = 97, 3%

L’affidabilità del sistema è data dalla 1.34:
RS = 1 − [(1 − R1 ) · (1 − R2 ) · (1 − R3 )] = 0, 999998245 = 95, 998%
È utile osservare che in una configurazione in parallelo l’affidabilità del
sistema viene influenzata dal componente più affidabile; a conferma di ciò è

utile considerare la seguente tabella:
Componente 1 Componente 2 Componente 3 Sistema

0,6 0,7 0,8 0,976
0,7 0,7 0,8 0,982
0,6 0,8 0,8 0,984
0,6 0,7 0,9 0,988
Tabella 1.2: Tabella variazioni affidabilità in parallelo
Come si può osservare l’aumento dell’affidabilità dell’elemento più affida-
bile ha prodotto nel sistema un incremento di affidabilità maggiore che negli

altri casi presenti nelle righe della tabella.
1.10 Sistemi generali: link-set e cut-set
I modelli di strutture in serie e in parallelo costituiscono due sistemi base,
a partire dai quali è possibile costruire ogni sistema più generale. Un sistema
generale consiste infatti in una combinazione di sottosistemi in serie ed in
parallelo. Si dimostra che ogni sistema può essere rappresentato come:
32
Figura 1.8: Rappresentazione schematica di un sistema Link-set
• Link-set: sistema in serie di sistemi in parallelo (vedi figura 1.8);
• Cut-set: sistema in parallelo di sistemi in serie (vedi figura 1.9).
Figura 1.9: Rappresentazione schematica di un sistema Cut-set
33
Soffermandoci sul caso di sistema Cut-set, il collasso del sistema è dato dalla
unione (serie) dell’intersezione (parallelo) degli eventi i-esimi di collasso:
[\
FG = F ij
j i
avendo indicato con Fij l’evento di collasso i-esimo nel percorso di rottura
j-esimo. La probabilità di collasso sarà data dalla seguente:
" #
[\
P (FG ) = P F ij (1.36)
j i
La valutazione di questa probabilità è generalmente difficile ed inoltre non

sono disponibili attualmente dei limiti per una valutazione approssimata.
1.10.1 Esempio: combinazione di serie e parallelo
Si consideri un sistema che abbia tre componenti. Come mostrato in figura
1.10, i componenti 1 e 2 sono disposti in serie, il componente 3 è disposto in
parallelo con i primi due; le loro affidabilità siano le seguenti:
• R1 = 99, 5%
• R2 = 98, 7%
• R3 = 97, 3%
In questo caso bisogna ridurre il sistema ad uno equivalente sfruttando le
relazioni precedentemente viste. Il tratto 1 − 2 costituisce un subsistema in
34
Figura 1.10: Combinazione serie-parallelo
serie e quindi la sua affidabilità è:
R1,2 = R1 · R2 = 0, 982065 = 98, 2065%
A questo punto il sistema è stato ricondotto al caso di componenti in
parallelo e quindi l’affidabilità del sistema è:
RS = 1 − [(1 − R1,2 ) · (1 − R3 )] = 0, 999515755 = 99, 95%
In questo esempio è stato mostrato che i sistemi misti serie-paralleli
vengono risolti riconducendoli a sistemi equivalenti più semplici.
35
Capitolo 2
Modelli di manutenzione nel

ciclo di vita delle strutture.
2.1 Introduzione
Rispetto all’analisi e progettazione dei sistemi strutturali, la previsione
delle prestazioni durante il ciclo di vita delle strutture è molto più com-
plessa ed è in rapida affermazione in campo accademico. Ciò rappresenta
una sfida che amministrazioni e professionisti hanno raccolto, sviluppando

e implementando sistemi di manutenzione e modelli matematici per poter
prevedere i costi di intervento in relazione a scenari che tengano in conto sia

degli interventi manutentivi sia della loro totale assenza.
La gestione e manutenzione delle strutture richiede un approccio sistema-

tico e molto spesso le risorse economiche sono sottoposte a vincoli di bilancio.
Ecco la sfida che le amministrazioni ed i tecnici progettisti devono affrontare:

garantire le prestazioni delle strutture per tutta la durata della loro vita utile
36
avendo a disposizione risorse limitate. Ciò impone che le attività di ispezione
e manutenzione siano ottimamente pianificate nel tempo.
Questo lavoro di tesi si propone di affrontare il tema dell’analisi dei costi

durante il ciclo di vita delle strutture da ponte. L’incremento dei traffici, il
ripetersi di intensi fenomeni alluvionali, l’aggressività degli agenti atmosferi-
ci, impegnano le strutture di molti dei ponti esistenti a condizioni di lavoro
spesso critiche, sia nei riguardi della sicurezza statica, sia nei riguardi della
loro conservazione nel tempo. Sono infatti tuttora in esercizio ponti stradali
e ferroviari realizzati alla fine del 1800, i primi ponti in c.a. della prima metà
del 1900 ed i ponti in c.a.p. degli ultimi cinquant’anni: opere concepite per
situazioni di traffico di intensità molto minore a quella attuale e, a volte, rea-

lizzate in regime di massima economia e con scarsa attenzione alle prestazioni
in termini di durabilità. È quindi comprensibile la generale attenzione al gra-
do di affidabilità di molti dei ponti esistenti, non solo per quanto riguarda la
sicurezza, ma anche per i pesanti riflessi che l’interruzione di un ramo della
rete infrastrutturale genera sull’economia dell’area geografica circostante.
Tale lavoro di ricerca si avvale di particolari modelli di previsione detti
modelli di manutenzione. Ogni modello di manutenzione proverà a predire
ed estrapolare la prestazione futura della struttura in esame, o servendosi di

un approccio deterministico oppure utilizzando metodi probabilistici. Agli
stati attuale e futuro della struttura sono associati diversi livelli di incertezza
e quindi è necessario un approccio di tipo probabilistico. Grosso modo, ogni

modello di manutenzione può essere diviso in due parti:
• Modello di deterioramento: viene utilizzato per approssimare e predire
l’attuale processo di invecchiamento in termini di affidabilità;
37
• Modello di decisione: utilizza il modello di deterioramento per deter-
minare i tempi ottimali di ispezione e di manutenzione.
Dall’applicazione di questi modelli si determina una politica di manutenzione

(policy maintenance) ottimizzata ai costi con livello di prestazioni vincolato.
A loro volta le politiche di manutenzione si dividono in:
• periodiche: gli intervalli di manutenzione sono costanti;
• aperiodiche: gli intervalli manutentivi non sono uguali tra loro.
I modelli di manutenzione che verranno discussi sono:
• Modelli di variabile aleatoria: assumono che una o più variabili nel
modello di deterioramento siano casuali;
• Modelli di processo stocastico: assumono che il deterioramento nel

tempo sia rappresentato da una collezione di variabili casuali.
Essenzialmente, il deterioramento (che è incerto) si diffonde nel tempo.
2.2 Modelli di variabile aleatoria
I modelli di manutenzione che rientrano in questa classe sono tre:
• modello Failure Rate (coefficiente di collasso): in cui l’unica variabile

aleatoria è il tempo di vita della struttura;
• modello Reliability Index (indice di affidabilità): dove la distribuzione

del tempo di vita deriva da uno stato limite che è funzione di una o più
variabili aleatorie fisiche;
38
• modello Time Dependent Reliability (affidabilità dipendente dal tem-
po): dove l’affidabilità varia nel tempo in funzione della manutenzione.
2.2.1 Modello Failure Rate
Si definisce Coefficiente di Collasso (o Failure Rate) la frequenza media
con la quale un componente collassa. Tale coefficiente, spesso indicato con la
lettera greca λ, dipende dalla PdF dei collassi: essa descrive la probabilità di
collasso di un componente prima di un tempo specificato. Un altro modo di
esprimere tale coefficiente è attraverso l’acronimo anglosassone MTBF (Mean

Time Between Failure) cioè il tempo medio (o atteso) tra eventi di collasso.
Modello di Deterioramento. La distribuzione del tempo di vita rappre-
senta l’incertezza nel tempo al collassare di un componente o di una struttura.
Sia F (t) una distribuzione di probabilità cumulata e sia f (t) la funzione di

densità di probabilità; allora la funzione coefficiente di collasso è definita
come segue [7]:
f (t) f (t)
r(t) = = t > 0. (2.1)
1 − F (t) F (t)
Un’interpretazione probabilistica della 2.1 è che r(t)dt rappresenta la pro-
babilità che un componente di età t collasserà nell’intervallo [t, t + dt]. Il
coefficiente di collasso aumenta con il deterioramento dei componenti strut-

turali. Il problema serio del coefficiente di collasso è che non può essere
osservato o misurato.
Modello di Decisione. Il concetto di manutenzione ottimizzata tramite

modelli matematici, basato sulla distribuzione del tempo di vita, nacque nei
primi anni ’60. Il più famoso ed utilizzato è il modello di sostituzione che
39
stabilisce la sostituzione di un componente strutturale dopo il raggiungimento
di una età predeterminata k. Un altro modello è il modello di sostituzione a
blocco: ereditando i risultati del modello precedente, questo modello stabilisce
che la sostituzione deve avvenire periodicamente nei tempi k, 2k, 3k, . . .
2.2.2 Modello Reliability Index
L’Indice di Affidabilità β (o Reliability Index ) esprime una misura della
sicurezza strutturale: è la distanza, in unità di deviazione standard, dal
dominio di rottura.
Modello di Deterioramento. Nel modello G(R, S) = R − S o modello
Sollecitazione - Resistenza, R è la resistenza del componente o struttura
mentre S sono le sollecitazioni applicate. Sia R che S sono intese come
variabili aleatorie, questo modello è ampiamente trattato nel capitolo 1 di

questo lavoro di tesi.
Modello di Decisione. Una volta calcolata la probabilità 1.8 di pagina 6 si

utilizzano due approcci all’analisi della decisione [7]: Life-Cycle Costs (costi
del ciclo di vita) e Risk Ranking (classificazione di rischio). L’approccio che
tiene conto del ciclo di vita è il concetto preferito dai decisori che non sono solo
interessati alla sicurezza, ma anche ai costi. Per un’ottimale pianificazione
delle ispezioni e quindi delle manutenzioni conseguenti si utilizza un albero
delle decisioni. Dopo ogni ispezione viene presa una decisione che effettua la
scelta di eseguire la manutenzione A (ramo 1) oppure di non eseguirla (ramo
0). La probabilità di eseguire l’azione A sarà determinata dallo stato del
componente o del sistema.
40
Figura 2.1: Rappresentazione di un albero delle decisioni
L’utilizzo di tale diagramma ci permette di calcolare i costi associati ad

ogni decisione in modo da sapere l’intervallo che minimizza i costi previsti.
Sebbene sia un procedimento alquanto semplice ed immediato, purtroppo non
permette al decisore di inserire dei limiti alla soluzione. Per questa ragione,
il problema dell’ottimizzazione può essere formulato come un’ottimizzazione
non lineare vincolata.
L’approccio che contempla la classificazione di rischio è utile solo per

poter stabilire le priorità di ispezione nel momento della valutazione o in
un fissato momento nel futuro. Il rischio è definito come il prodotto della
41
probabilità di collasso (Pf ) per le relative conseguenze (D) [7]:
R = Pf · D
Pertanto il componente dal più alto rischio sarà quello che avrà sia la più
alta probabilità di collasso sia i danni più gravi. Uno strumento analitico
molto efficace comunemente utilizzato è la cosiddetta Matrice del Rischio che
classifica i componenti strutturali secondo la loro Pf e secondo i potenziali

danni da collasso.
2.2.3 Modello Time Dependent Reliability
In questo modello viene analizzato il profilo (andamento nel tempo) del-

l’indice di affidabilità per le strutture. Pertanto, questo tipo di modelli sono
stati sviluppati ed applicati per prolungare la vita utile delle strutture in
funzione di diversi scenari manutentivi.
Modello di Deterioramento. L’indice di affidabilità β è utilizzato come

misura della sicurezza strutturale. Infatti la vita utile di una struttura (di
un ponte) è una progressione di livelli di affidabilità [9]:
• Eccellente → Regione 5: β ≥ 9, 0
• Molto buono → Regione 4: 8, 0 ≤ β < 9, 0
• Buono → Regione 3: 6, 0 ≤ β < 8, 0
• Accettabile → Regione 2: 4, 6 ≤ β < 6, 0
• Inaccettabile → Regione 1: β ≤ 4, 6
42
Vi sono due tipologie di azioni manutentive che possono influire sul profilo
dell’indice di affidabilità. In accordo alle indicazioni fornite da vari studiosi
si hanno le seguenti definizioni [7]:
• manutenzione preventiva: viene eseguita quando l’indice di affidabilità
è superiore al valore di minimo di affidabilità accettabile. In genere que-

sto tipo di interventi ritarda il processo di deterioramento ed, inoltre,
riduce i coefficienti dell’indice di affidabilità in un intervallo di tempo;
• manutenzione ordinaria o essenziale: viene eseguita quando l’indice di
affidabilità raggiunge il valore di minima accettabilità. Lo scopo di tale
intervento è di migliorare l’affidabilità e la condizione del componente

o della struttura.
Le azioni preventive sono classificate come dipendenti dal tempo: basti ricor-
dare che la riverniciatura dei ponti in acciaio avviene ogni dieci anni. Le altre
azioni ordinarie sono applicate quando una specifica richiesta prestazionale

è non soddisfatta. Questo tipo di azioni sono dette interventi performance
based ; sia le azioni preventive che le essenziali possono essere applicate una
sola volta o ciclicamente durante la vita utile di una struttura.
La parte a sinistra della Figura 2.2 mostra il profilo dell’indice di affida-
bilità nel caso di assenza di manutenzione. Tale tipo di profilo è descritto
dalle seguenti [7]:
β(t) = β0 se t ≤ ti (2.2)
β(t) = β0 − α1 (t − ti ) se t > ti (2.3)
43
Figura 2.2: Profilo di affidabilità senza (sx) e con manutenzione (dx)
Si noti che una struttura, all’istante di vita t = 0, non necessariamente
si colloca nella Regione 5 e che l’andamento lineare del profilo rappresenta
un’approssimazione di una degradazione non lineare che avviene nella realtà.

Recentemente sono stati introdotti modelli non lineari di deterioramento per
il profilo dell’indice di affidabilità [7]:
β(t) = β0 se t ≤ ti (2.4)
β(t) = β0 − α2 (t − ti ) − α3 (t − ti )p se t > ti (2.5)
dove:
• α1 , α2 , α3 : coefficienti di deterioramento dell’indice di affidabilità;
• ti : tempo di inizio del deterioramento;
• p: parametro relativo agli effetti non lineari in termini di funzione
potenza nel tempo.
Si noti che i profili sopra descritti non vengono computati secondo gli algorit-
mi esposti nel capitolo 1 di questo lavoro di tesi, ma sono simulati con l’au-
44
silio del Metodo Monte Carlo con parametri direttamenti stimati da esperti
oppure ottenuti da rilievi statistici.
La parte a destra della figura 2.2 mostra come il profilo di affidabilità

(livello di performance) viene influenzato dagli interventi di manutenzione
essenziale e preventiva. Frangopol ha definito un modello ad otto variabili
aleatorie associate ad ogni aspetto dei processi di manutenzione ordinaria e
preventiva; ecco qui una loro decrizione [7]:
• β0 , indice di affidabilità iniziale;
• TI , tempo di inizio degrado;
• A, coefficiente di degrado dell’affidabilità senza manutenzione;
• TP I , tempo di applicazione della prima manutenzione preventiva;
• TP , tempo (periodo) di riapplicazione della manutenzione preventiva;
• TP D , durata dell’effetto della manutenzione preventiva;
• Θ, coefficiente di degrado dell’affidabilità durante l’effetto della manu-
tenzione preventiva;
• Γ, incremento dell’indice di affidabilità immediatamente dopo l’appli-
cazione della manutenzione preventiva.
Lo studio del modello ha messo in evidenza quanto segue: in assenza di ma-
nutenzione la distribuzione del tempo di riabilitazione TR (tempo in cui il
profilo attraversa il valore critico di performance) dipende solo da tre varia-

bili aleatorie: β0 , TI , A; mentre in presenza di manutenzione la distribuzione
45
Figura 2.3: Influenza delle variabili aleatorie sul profilo di affidabilità
del tempo di riabilitazione TRP dipende dalle otto variabili aleatorie pre-
cedentemente indicate. Nella figura 2.3 viene rappresentato come il profilo
di affidabilità venga influenzato dalle variabili aleatorie del modello, con la
simulazione Monte Carlo vengono generati gli indicatori delle otto PdF indi-
cate nel profilo dell’affidabilita; ciò serve anche a catturare la diffusione delle
incertezze durante l’intera vita utile della struttura che si sta degradando. I
valori che caratterizzano le PdF suindicate sono qui riassunti nella seguente
tabella 2.4 [10]. Tale tabella è stata ricavata da una sperimentazione con-
dotta su un gruppo di ponti a struttura mista acciaio/cls: è stato fissato un
valore α del coefficiente di degrado (la tabella è stata ottenuta con tre diversi
coefficienti di degrado, ecco perchè sono presenti tre diversi valori per il max
di A) e quindi è stata condotta la simulazione tramite Monte Carlo facendo
l’ipotesi di assenza di manutenzione. Nella figura 2.5 vi è un esempio di co-
me è stata ricavata la variazione della distribuzione della media dell’indice di

affidabilità β0 , nel tempo, associato alla modalità di collasso per Momento
Flettente [10]. La simulazione è stata condotta tenendo conto che sono stati
46
Variabile Tipo di Principali Indicatori
Aleatoria Distribuzione Taglio Momento
β 0 Log-normale
Media 8,5 Media 7,5
Dev. Std. 1,5 Dev. Std. 1,2
Media 15 Media 15
TI [anni] Log-normale
Dev. Std. 5 Dev. Std. 5
Min 0,005 Min 0,002
Max 0,1 Max 0,05
A [anni-1] Uniforme
0,15 0,075
0,2 0,1
Media 20 Media 20
TPI [anni] Log-normale
Min 10 Min 10
TP [anni] Triangolare Moda 15 Moda 15
Max 20 Max 20
Media 10 Media 10
TPD [anni] Log-normale
Θ [anni ] -1
Uniforme
Min 0 Min 0
Max 0,05 Max 0,025
Γ Log-normale
Media 0,2 Media 0,2
Dev. Std. 0,04 Dev. Std. 0,04
Figura 2.4: Variabili aleatorie associate alle modalità di collasso per Taglio
e Momento
ipotizzati tre differenti casi per l’inizio del TI :
• prima dell’applicazione del primo intervento di manutenzione preven-

tiva;
• dopo l’applicazione o riapplicazione della manutenzione preventiva;
• dopo il TP D della manutenzione preventiva.
Nella stessa figura 2.5 è stato confrontato il caso di assenza di manutenzio-
ne preventiva con il caso di presenza di manutenzione. I risultati ottenuti
mostrano che la media dell’indice β0 è più grande nel caso di manutenzione

preventiva effettuata. Altro aspetto non meno rilevante è che la sua disper-
sione risulta più piccola. In altre parole gli effetti delle azioni preventive
47
Figura 2.5: Confronto distribuzione della media di β0 nel tempo, con e senza
manutenzione
sui principali indicatori dell’indice di affidabilità prolungano la vita utile dei
ponti manutenuti.
L’effetto di un intervento i sul profilo di affidabilità iniziale j può espri-
mersi analiticamente come [12]:
nj
X
βj (t) = βj,0 (t) + ∆βj,i (t) (2.6)
i=1
in cui:
• nj è il numero di azioni manutentive associate al profilo di affidabilità
j;
• βj,0 (t) è il profilo dell’affidabilità senza manutenzione;
• ∆βj,i (t) è il profilo addizionale associato con la i-esima azione di ma-
nutenzione.
48
Risulta evidente che il profilo dell’indice di affidabilità del sistema si ottiene
dalla combinazione statistica dei profili di affidabilità dei singoli componenti.
Il modello di affidabilità di Frangopol è stato poi ampliato per incorporare
un indice di condizione (possibilmente ricavabile dalle ispezioni visive) e la
sua interazione col tempo. Conseguentemente il modello è stato adattato per
poter considerare che la prestazione del componente o struttura sia definita
come un’interazione tra condizione ed affidabilità. Gli indici di affidabilità e

condizione sono considerati costanti per un periodo uguale al tempo di inizio
del danno (tIC e tI ). Dopo tale intervallo un coefficiente di deterioramento

lineare viene considerato sia per la condizione che per l’affidabilità (αC e α1 ).
La formulazione analitica dell’indice di condizione è la seguente [7]:



 C0 per 0 ≤ t ≤ tIC
C(t) = (2.7)

 C0 − αC (t − tIC ) per t > tIC
dove C0 è l’indice di condizione iniziale, C(t) è l’indice a tempo t che si

assume decrescente col tempo.
L’interazione tra condizione ed affidabilità è modellata attraverso corre-
lazioni tra i parametri che definiscono le equazioni 2.6 e 2.7; nonchè dalle
relazioni deterministiche tra i profili ad ogni passo temporale.
Modello di Decisione. Il costo di manutenzione viene spesso considerato

fisso, indipendente sia dallo stato della struttura che dagli effetti sull’affidabi-
lità e condizione della stessa. Però, il costo di manutenzione non solo dipende
dal tipo di azione manutentiva, ma anche dall’affidabilità e condizione prima

e dopo l’intervento. Ecco un modello che rappresenta il costo per riparare
49
una trave d’acciao arrugginita [7]:
c = c1 + c2 (∆β)q1 + c3 (tD · α1 )r1 + c4 (∆C)q2 + c5 (tDC · αC )r2 (2.8)
dove c è il costo totale associato con l’azione manutentiva, ∆β e ∆C sono gli
incrementi degli indici di affidabilità e condizione, tD e tDC sono i ritardi in
termini di deterioramento degli indici di affidabilità e condizione, c1 è il costo
fisso, c2 e c4 sono i costi associati agli incrementi ∆β e ∆C, c3 e c5 sono i costi

associati ai ritardi tD e tDC , q1 e q2 sono parametri associati con una relazione
tra costo di manutenzione ed incrementi di affidabilità e condizione, mentre
r1 e r2 sono parametri associati con una relazione tra costo di manutenzione

ed i ritardi di affidabilità e condizione in termini di deterioramento.
Siccome si vuole perseguire una politica orientata all’ottimizzazione dei

costi, nasce l’esigenza di attualizzare l’investimento: la stessa somma di de-
naro spesa in due istanti temporali diversi ha un valore diverso se rapportata
al tempo presente. L’attualizzazione del costo può essere effettuata come
segue:
ct
(2.9)
(1 + r/100)t
dove ct è il costo al tempo t mentre r è il tasso annuale d’interesse.
2.3 Modelli di processo stocastico
I modelli che rientrano in questa tipologia sono due:
• processo di Decisione di Markov : è un processo stocastico in cui la
probabilita che, in un dato istante di tempo t, una variabile assuma il
50
corrispondente valore non dipende dagli istanti di tempo precedenti a
t;
• processi di Rinnovo: sono processi stocastici integrati non negativi che,

in senso statistico, riportano le condizioni allo stato iniziale.
2.3.1 Processo di Decisione di Markov
Il degrado di un componente o di una struttura viene inteso come un
processo stocastico dipendente dal tempo {X(t), t ≥ 0} dove X(t) è una

grandezza aleatoria per ogni t ≥ 0. Sia X(τ ) il valore assunto dalla X(t)
nell’istante τ > t: se i valori X(τ ) sono indipendenti dai valori X(u) con
u < t allora siamo in presenza di un processo di Markov.
Modello di Deterioramento. I tipi di processi che sono utili per modellare

il degrado sono processi di Markov discreti nel tempo e nello spazio {Xn , n =
0, 1, 2, . . .} chiamati Catene di Markov. La probabilità di evolvere in uno
stato j nell’istante n + 1, dato che all’istante attuale n l’oggetto è allo stato

i, è cosı̀ indicata [7]:
Pij = P r{Xn+1 = j|X0 = i0 , . . . , Xn = i} = P r{Xn+1 = j|Xn = i}
Se la probabilità di transizione non dipende da n (cioè da quanto tempo il

processo è iniziato), allora il processo è detto stazionario nel tempo. Per
definire la catena Xn è necessario stimare le probabilità di transizione tra
tutte le possibili coppie condizioni di stato. Se ci sono N stati, allora ciò
51
risulta in una matrice N × N [7]:
 
 P11 P12 . . . P1N 
 
 P21 P22 . . . P2N 
 
P = . .. . 
 .. .. .. 
 . . 
 
PN 1 PN 2 . . . PN N
dove la coppia di indici {ij} indica la transizione Xi → Xj . La matrice
suddetta gode delle seguenti proprietà:
• tutti gli elementi della matrice sono numeri reali, non negativi e non
maggiori di 1;
• gli elementi della i-esima riga sono le probabilità di transizione dallo
stato i ad un qualunque stato j (compreso i stesso);
• per il principio delle probabilità totali la somma degli elementi di ogni

riga è pari a 1;
• la matrice è quadrata: le righe rappresentano gli stati iniziali mentre
le colonne sono gli stati finali della transizione, che evidentemente sono
uguali.
La probabilità di muovere da uno stato i ad uno stato j in m passi può
essere calcolata cosı̀:
Pijm = P r{Xn+m = j|Xn = i}
Tramite la relazione di Chapman-Kolmogorov si può dimostrare che la pre-
52
cedente transizione in m passi può scriversi come il prodotto della matrice P
per se stessa m volte: P m
Modello di Decisione. Per poter intraprendere decisioni circa linee guida

ottimali per le azioni di manutenzione, si deve considerare un insieme di
azioni A e costi C(i, a) che possono essere intraprese quando il processo è
nello stato i e l’azione a ∈ A è stata scelta. I costi sono limitati ed una
politica deve regolare la scelta dell’azione. Quando si intraprende l’azione

a ∈ A, il processo muove in uno stato j con la seguente probabilità:
Pij (a) = P r{Xn+1 = j|Xn = i, an = a}
Quando una decisione per un’azione dipende solo dallo stato attuale del pro-
cesso e non dal tempo in cui l’azione è intrapresa, allora siamo in presenza
di una policy stazionaria. In questo caso il processo suddetto viene detto
processo di decisione di Markov. A questo punto è possibile formulare gli
sconti sui costi che tali decisioni comportano su un orizzonte illimitato:
N
X
Vα (i) = C(i, a) + α · Pij (a)Vα (j) (2.10)
j=1
dove:
• α è il fattore di sconto per 1 anno;
• Vα è la funzione valore in α;
53
Il fattore di sconto è definito come segue:
1
α= r
1 + 100
con r tasso di sconto annuale. A questo punto una decisione ottimale dal
punto di vista dei costi può essere trovata minimizzanto la relazione 2.10, nel
rispetto dell’azione a che è stata dettata dalle politiche manutentive. Ci sono
molti metodi per trovare una soluzione ottimale. Uno di questi è il cosiddetto
algoritmo policy-improvement che incrementa migliori politiche decisionali
fino a che nessun miglioramento possa essere fatto. Ci sono tre importanti
aspetti inerenti l’utilizzo dei processi di Markov per l’ottimizzazione della

manutenzione:
• la condizione di stato non è continua, ma discreta e finita. Ciò va bene
per le ispezioni visive, ma non è ottimale per ispezioni e valutazioni

non distruttive;
• l’ipotesi markoviana della non memoria degli stati passati è molto

criticata;
• le probabilità di transizione nella matrice P sono molto difficili da
stimare ed alquanto soggettive.
2.3.2 Processi di Rinnovo
Per poter modellare la variazione nel tempo della resistenza di una strut-
tura veniva utilizzato il processo stocastico detto Moto Browniano con devia-
zioni. La sua caratteristica principale è che la resistenza strutturale fluttuasse
54
tra incrementi e decrementi di valore nel tempo: queste fluttuazioni erano
simili all’andamento di un pacchetto azionario in una movimentata seduta
borsistica. Per questa ragione il modello Browniano è inadeguato a modellare
la variazione nel tempo della resistenza poichè è monotòna. Ecco quindi che
viene adottato il processo stocastico Gamma, che è decrescente nel tempo.
Questo processo è particolarmente adatto per modellare il danno che gra-
dualmente si accumula nel tempo: usura, fatica, corrosione, espansione delle

fessure.
Modello di Deterioramento. In termini matematici la funzione processo

Gamma {X(t), t ≥ 0}, con funzione di forma v(t) > 0 e parametro u > 0,
è un processo stocastico continuo nel tempo con incrementi indipendenti

distribuiti secondo la Gamma. Una quantità aleatoria X ha una distibuzione
di tipo Gamma,con funzione di forma v(t) > 0 e parametro u > 0, se la sua
funzione di densità di probabilità P dF è data dalla [7]:
u · (ux)(v−1) (−ux)
Ga(x|v, u) = e , x≥0 (2.11)
Γ(v)
R∞
dove Γ(a) = t=0
ta−1 e−t dt viene detta funzione Gamma di Eulero per a > 0.
Si denoti con X(t) il deterioramento al tempo t. Se X(t) è un processo
Gamma, con funzione di forma v(t) > 0 e parametro u > 0, allora il suo
valore atteso e la sua varianza saranno date da [7]:
v(t)
E[X(t)] = (2.12)
u
v(t)
V ar[X(t)] = (2.13)
u2
55
Ciò posto, un componente strutturale è in fase di collasso quando la sua
resistenza, che la si indica come R(t) = r0 − X(t), assume un valore infe-
riore ai carichi o sollecitazioni s. I valori r0 , resistenza iniziale, e s, carichi
applicati, possono essere considerati fissi o aleatori. Sia detto T il tempo in
cui si raggiunge il collasso strutturale; grazie alla distribuzione Gamma del
deterioramento, la distrubuzione del tempo di vita può essere scritta cosı̀ [7]:
F (t) = P r{T ≤ t} = P r{X(t) ≥ r0 − s} (2.14)
Il problema principale è sapere come varia (cresce) il valore atteso E[X(t)]
del deterioramento in un tempo t; prove empiriche hanno mostrato che il

valore atteso del deterioramento in un tempo t sia spesso proporzionale ad
una legge potenza:

v(t)
E[X(t)] = = atb (2.15)
u
dove a > 0 e b > 0 sono costanti fisiche. Infatti, al variare dell’esponente b si
possono descrivere i seguenti valori attesi:
• b = 1 → deterioramento da corrosione armature
• b = 2 → deterioramento da attacco solfati
• b = 0, 5 → deterioramento da invecchiamento controllato diffuso
• b = 1/8 → deterioramento da creep1
A seconda dei valori di b assunti nella 2.15, il processo Gamma viene detto:
1
deformazione progressiva, a temperatura elevata, di un materiale sottoposto a sforzo
costante
56
• stazionario se b = 1;
• non stazionario se b 6= 1
Modello di Decisione. Il processo di deterioramento Gamma è stato ap-
plicato con successo sia al modello di manutenzione preventiva basata sul

tempo che al modello di manutenzione preventiva basata sulla condizione. Il
primo modello è utilizzato ad intervalli regolari nel tempo, mentre il secon-
do viene applicato a seguito delle ispezioni e controlli sulle condizioni di una
struttura. Tutti i modelli di manutenzione fin qui esaminati utilizzano criteri

basati sui costi che sono definiti su un orizzonte temporale illimitato, come
il costo medio atteso per unità di tempo od il costo scontato atteso su un
orizzonte temporale illimitato. Siccome questi criteri di costo si basano su

processi di rinnovo, tale teoria viene utilizzata per la loro valutazione. Siano:
• F (t): distribuzione di probabilità cumulata (CdF ) del tempo di rinnovo
T ≥ 0;
• c(t): costo associato al rinnovo al tempo t;
• E[K(t)]: costo atteso non scontato nell’intervallo limitato (0, t] con

t > 0;
il costo medio atteso per unità di tempo può essere scritto come [7]:
R∞
E[K(t)] c(t) · dF (t)
lim = 0R ∞ (2.16)
t→∞ t 0
t · dF (t)
Il numeratore della 2.16 è il costo atteso in un ciclo di rinnovo (intervallo di

tempo tra due rinnovi), mentre il denominatore è proprio la lunghezza del
ciclo di rinnovo.
57
Il costo scontato atteso può essere scritto come [7]:
R∞
0
αt · c(t) · dF (t)
c0 + lim E[K(t, α)] = c0 + R∞ (2.17)
t→∞ 1 − 0 αt · dF (t)
dove:
• c0 : costo iniziale dell’investimento;
• 0 < α < 1: fattore di sconto;
• E[K(t, α)]: costo scontato atteso nell’intervallo limitato (0, t] con t > 0.
2.4 Calcolo del profilo di affidabilità
In questa applicazione è stata condotta la stima del profilo di affidabilità

di una struttura da ponte mentre la tabella 2.4 ha fornito media e deviazione
standard delle Pdf delle variabili aleatorie del modello di Frangopol in seguito
al criterio di collasso per Momento. Il profilo β(t) è stato stimato con metodo
Monte Carlo considerando 2.000 iterazioni, i calcoli sono stati eseguiti con il
foglio elettronico Excel. Le Pdf considerate sono le seguenti:
• β0 , indice di affidabilità iniziale (Lognormale);
• TI , tempo di inizio degrado (Lognormale);
• A, coefficiente di degrado dell’affidabilità senza manutenzione (Unifor-

me);
• TP D , durata dell’effetto della manutenzione preventiva (Lognormale);
58
• Θ, coefficiente di degrado dell’affidabilità durante l’effetto della manu-
tenzione preventiva (Lognormale);
• Γ, incremento dell’indice di affidabilità immediatamente dopo l’appli-
cazione della manutenzione preventiva (Lognormale).
Ecco i passi che sono stati sviluppati per poter stimare il profilo di affidabilità:
• campionamento casuale di variabile aleatoria;
• stima del profilo di affidabilità in assenza di manutenzione;
• stima del profilo di affidabilità in presenza di manutenzione.
2.4.1 Campionamento casuale di variabile aleatoria
La tecnica di estrazione di un campione casuale dipende dal tipo di di-
stribuzione, la quale viene assegnata con i suoi stimatori diretti: media e

deviazione standard. I tipi di PdF incontrati nell’applicazione sono:
• distribuzione Lognormale;
• distribuzione Uniforme.
Distribuzione Lognormale. Una variabile aleatoria X ha una distribuzione
Lognormale quando il suo logaritmo naturale ln X è Normale. In questo caso
la sua PdF è [3]:

1 1 ln x−λ 2
f (x) = √ · e− 2 ·( ζ
)
(2.18)
ζx 2π
dove:
• λ = E[ln X] viene anche detta Media Logaritmica;
59
• ζ = σln X viene anche detta Deviazione Standard Logaritmica.
Questi parametri sono legati alla media µ ed alla deviazione standard σ della
variabile X come segue [3]:
1
λ = ln(µ) − · ζ 2 (2.19)
s 2
σ2
ζ = ln(1 + 2 ) (2.20)
µ
Un’importante proprietà della Distribuzione Lognormale è che il prodotto di
variabili Lognormale è ancora Lognormale. Questa è una conseguenza della

proprietà che la somma di variabili Gaussiane è ancora Gaussiana.
Utilizzando il foglio elettronico Excel si è generato un campione casuale
delle variabili β0 , T i, TP D , Θ, Γ; avendo avuto cura di inserire i parametri λ e

ζ ricavati con le relazioni precedentemente illustrate; ecco il risultato grafico
per β0 :
Lognormale
160
140
120
100
n° campioni
80
60
40
20
0
0 5 10 15 20
valori
Figura 2.6: Campione casuale di β0 : µ = 7, 5 e σ = 1, 2
60
Distribuzione Uniforme. Una variabile aleatoria X ha una distribuzione
Uniforme o Rettangolare quando la sua Pdf è definita come segue [2]:


 1
b−a
per a ≤ x ≤ b; con b > a
fX (x) = (2.21)

 0 altrimenti
dove i parametri a, b sono cosı̀ definiti:
• a valore minimo (min);
• b valore massimo (max).
Con l’ausilio del foglio elettronico Excel è stato possibile estrarre un campione
casuale della variabile A: si assegna un numero casuale n ∈ [0, 1] e si impone
che il valore di A risulti dalla relazione a + n · (b − a). Il risultato grafico di

tale procedimento è riportato nella seguente figura:
Uniforme
140
120
100
n° campioni
80
60
40
20
0
0 0.02 0.04 0.06 0.08 0.1 0.12
valori
Figura 2.7: Campione casuale di A: min = 0, 002 e max = 0, 1
61
2.4.2 Stima del profilo di affidabilità in assenza di ma-
nutenzione
Avendo eseguito il campionamento delle variabili aleatorie, ora è possibile
poter stimare con metodo Monte Carlo il profilo dell’indice di affidabilità
nell’ipotesi di assenza di manutenzione. Le relazioni utilizzate sono:
β(t) = β0 se t ≤ ti
β(t) = β0 − α1 (t − ti ) se t > ti
Il calcolo è stato effettuato per tre diversi valori massimi del tasso di degrado:

DIILGDELOLWj

$PD[
$PD[

$PD[

DQQL
Figura 2.8: Profilo di affidabilità senza manutenzione
• Amax = 0, 05
• Amax = 0, 075
• Amax = 0, 1
62
Il profilo di affidabilità senza manutenzione è stato diagrammato con fo-
glio elettronico Excel in un intervallo temporale di ottanta anni ed è riportato
nella figura 2.8. Nel diagramma è stato riportata la media dei 2.000 valori
che sono generati dal campionamento casuale delle variabili aleatorie.
2.4.3 Stima del profilo di affidabilità con manutenzione
In questo caso è stato considerato solo il profilo con Amax = 0, 1. Si
è scelto di intervenire con un’azione di manutenzione preventiva al tempo
t = 40 anni e quindi sono stati stimati gli effetti sul profilo di affidabilità di
tale scelta. Le relazioni utilizzate sono:
β( t) = β0 (t) + ∆β1 (t)
dove:
• β0 (t): profilo di affidabilità senza manutenzione;
• ∆β1 (t): incremento di affidabilità del singolo intervento di manuten-

zione.
Risulta evidente che l’intervento di manutenzione prolunga la vita utile della
struttura; ecco la descrizione degli effetti sul profilo di affidabilità:
• istante di tempo t = 40: l’intervento di manutenzione riporta l’indice

di affidabilità a valori più elevati (ringiovanisce la struttura);
• intervallo di tempo [40, 40 + TP D ]: il profilo degrada con tasso inferiore
rispetto al caso di β0 (t);
63

DIILGDELOLWj

$PD[
PDQSUHY

DQQL
Figura 2.9: Profilo di affidabilità con manutenzione
• per t > TP D : il profilo riprende il tasso di degrado del caso β0 (t).
Il profilo di affidabilità con intervento manutentivo è stato diagrammato con

foglio elettronico Excel ed è riportato nella figura 2.9. Anche qui sono state
riportate le medie dei 2.000 valori che sono generate dal campionamento
casuale delle variabili aleatorie.
64
Capitolo 3
Calcolo del profilo dell’indice di

affidabilità per una soletta da
ponte in c.a.
3.1 Introduzione
In questo capitolo verrà affrontato il calcolo del profilo dell’indice di af-

fidabilità per una soletta da ponte. I passi necessari ad intraprendere tale
analisi sono:
• caratterizzazione dei materiali;
• analisi dei carichi e stima delle sollecitazioni;
• formulazione del degrado strutturale;
• stima delle resistenze della struttura;
• determinazione del profilo dell’indice di affidabilità β = β(t).
L’analisi dell’affidabilità strutturale è stata condotta per mezzo di simulazio-

ne con il metodo Monte Carlo: sono state eseguite 10.000 estrazioni casuali
delle variabili aleatorie presenti nel modello di calcolo. Per affrontare tale
65
complessità computativa è stato compilato un programma in MatLabr ; la
produzione dei grafici è stata in parte ottenuta con MatLabr stesso ed in
parte con Excelr . Il criterio di rottura scelto per valutare l’affidabilità e la
probabilità di collasso della struttura è il collasso per Momento Flettente:
le sollecitazioni sono rappresentate dal momento flettente indotto dai carichi
fisso e mobile, mentre le resistenze sono date dal momento ultimo.
3.2 Oggetto di studio
L’oggetto di studio è un ponte attualmente in corso di progettazione per

lo svincolo di Passo Corese, situato nel comune di Fara Sabina, sulla S.S.4
Salaria.
I dati progettuali sono qui di seguito elencati:
• luce (L): 25 metri
• larghezza: 11 metri;
• soletta in c.a.;
• 3 travi in acciaio a doppio T;
• interasse travi (λ) costante: 3, 70 metri;
• lunghezza sbalzi (Lsbalzo ) costante: 1, 80 metri;
• classificazione: I categoria;
• schema statico adottato: semplice appoggio.
66
La figura 3.1 mostra la sezione trasversale del ponte.
Per l’analisi strutturale si è fatto riferimento alle Nuove Norme Tecniche per
Figura 3.1: Sezione trasversale
le Costruzioni (NTC-05) pubblicate sulla Gazzetta Ufficiale del 23.09.2005 -

Serie Generale n. 222.
3.3 Caratterizzazione dei materiali
Calcestruzzo. Il calcestruzzo impiegato è di classe RcK = 40 MPa; in

figura 3.2 è riportato il diagramma Parabola-Rettangolo adottato dal EC2 e
dalla Normativa Italiana.
Il valore RcK identifica una resistenza caratteristica cubica a compressio-
ne. Si è ottenuto il valore della resistenza cilindrica caratteristica a compres-
sione applicando la seguente:
f cK = 0, 83 · RcK = 32, 20 MPa
Con l’aggettivo caratteristica si intende una resistenza che può essere mi-
norata al più nel 5% dei casi. In virtù di tale definizione è stato possibile
67
Figura 3.2: Legame Parabola-Rettangolo del calcestruzzo
risalire al valore di media µ della P dF della resistenza cilindrica a com-

pressione del calcestruzzo, avendo ipotizzato che la P dF sia N ormale. La
deviazione standard σ è stata ottenuta tramite il valore[1]:
σ
COV = = 0, 20
µ
Servendoci della funzione Normale Standard si ottiene il valore della

media della variabile aleatoria:
X −µ X −µ
Z= = (3.1)
σ COV · µ
X
⇒ µ= = 49, 48 MPa (3.2)
1 + COV · Z
in cui:
• X: è il valore f cK = 32, 20 MPa;
• Z: e l’ascissa della Normale Standard a cui corrisponde la probabilità

del 5%;
68
Per ottenere il valore della tensione di design f cd basta dividere f cK per
il coefficiente γc = 1, 6:
f cK
f cd = = 20, 75 MPa
γc
In questo modo, avendo ricavato con µ e σ la P dF della f cK , al valo-
re della tensione di design f cd deve corrispondere una probabilità di essere
minorata al più del 5, 00 · 10−3 cosı̀ come previsto dalla Teoria degli Stati
Limite:
f cd = 20, 75 MPa ⇒ P r(f cd ) = 1, 85 · 10−3 ≤ 5, 00 · 10−3
Ecco rappresentato in figura 3.3 la casualizzazione della P dF della re-

sistenza cilindrica a compressione del calcestruzzo estraendo 10.000 valori.
450
400
350
Frequenze
300
250
200
150
100
50
0
0 10 20 30 40 50 60 70 80 90
MPa
Figura 3.3: PdF della f cK del calcestruzzo
Acciaio. L’acciao impiegato è un FeB 44K, la cui resistenza caratteristica
69
a trazione è f yK = 440 MPa. In figura 3.4 è riportato il diagramma Elastico
perfettamente Plastico adottato dal EC2 e dalla Normativa Italiana. Il valore
Figura 3.4: Legame Elastico perfettamente Plastico dell’acciaio
della tensione di design f yd è ottenuto dividendo f yK con il coefficiente
γs = 1, 15:
f yK
f yd = = 382, 61 MPa
γs
400
350
300
frequenze
250
200
150
100
50
0
200 300 400 500 600 700 800
MPa
Figura 3.5: PdF della f yK dell’acciaio
Anche in questo caso, tramite la definizione di resistenza caratteristica,
è stato possibile risalire al valore di media della P dF , ipotizzando tale P dF
70
come N ormale. Il valore di deviazione standard è stato ottenuto tramite il
valore[1]:
σ
COV = = 0, 07
µ
In questo modo al valore della tensione f yd corrisponde una probabilità di
essere minorata di 5, 00 · 10−3 cosı̀ come previsto dalla Teoria degli Stati
Limite:
f yd = 382, 61 MPa ⇒ P r(f yd ) = 4, 94 · 10−4 ≤ 5, 00 · 10−3
Ecco una tabella che riassume quanto precedentemente svolto per indivi-
duare le P dF dei materiali:
Resistenza Prob distribuzione COV media dev. st.
MPa MPa MPa
CLS 33,20 0,05 Normale 0,20 49,48 9,90
Acciaio 440 0,05 Normale 0,07 497,25 34,81
Tabella 3.1: Caratteristiche dei materiali
3.4 Analisi dei carichi e stima delle sollecita-
zioni
I carichi utilizzati per l’analisi strutturale della soletta da ponte sono:
• g1 : peso proprio della soletta;
• g2 : carichi permanenti portati (pavimentazione, sicurvia. . . );
• q1 : carico mobile;
71
• q2 : incremento dinamico del carico mobile.
3.4.1 Carico di tipo g1
Il carico g1 corrisponde al peso proprio della soletta; esso è valutato come:
Figura 3.6: Condizione di carico dovuta ai pesi propri g1
• g1,1 = w · h · γCLS peso proprio della porzione di impalcato compresa
tra le travi di acciaio;
• g1,2 = w · (h + hm ) · γCLS peso proprio della porzione di impalcato sui

due sbalzi;
avendo indicato con:
• w: larghezza soletta assunta pari a 1, 00 m;
• h: spessore soletta pari a 0, 35 m;
• hm : spessore marciapiede pari a 0, 20 m;
• γCLS : peso specifico del calcestruzzo pari a 25 kN/m3 ed assunto
come variabile aleatoria.
72
Il problema comprende grandezze che non sono di natura deterministi-
ca. Nel paragrafo precedente si è mostrato che la resistenza dei materiali è
di natura probabilistica: due lampadine assemblate con tecniche identiche
e nello stesso tempo, non è detto che si brucino proprio nello stesso istan-
te. Per completare il quadro delle grandezze[14] che hanno natura non certo
deterministica si faccia riferimento alla tabella 3.2 nella quale i valori, es-
sendo privi di indicazione dimensionale, sono da intendersi come coefficienti

moltiplicativi:
parametro simbolo distribuzione media COV

peso specifico cls γcls Normale 1,05 0,105
peso specifico bitume γasph Normale 1,00 0,25
peso specifico acciaio γsteel Normale 1,03 0,082
Tabella 3.2: Variabili aleatorie e loro parametri: pesi specifici dei materiali
3.4.2 Carico di tipo g2
Il carico di tipo g2 rappresenta i carichi permanenti portati; ecco come si
ottengono i rispettivi carichi:
Figura 3.7: Condizione di carico dovuta ai pesi permanenti portati g2
73
• g2,1 = w · γpavim : peso proprio della pavimentazione;
• g2,2 = w · qparapetto : carico dovuto al parapetto;
• q2,3 = w · hpredalle · γpredalle : carico dovuto alle predalle;
• w: larghezza soletta assunta pari a 1, 00 m;
• γpavim : peso specifico della pavimentazione pari a 3, 00 kN/m2 ;
• qparapetto : peso distribuito del parapetto pari a 0, 5 kN/m;
• hpredalle : spessore della predalle pari a 5 cm.
• γpredalle : peso specifico della predalle pari a 25 kN/m3 .
Le grandezze[14] che hanno natura probabilistica sono state riassunte nel-
la tabella 3.2: i valori che sono privi di indicazione dimensionale, sono da
intendersi come coefficienti moltiplicativi:
parametro simbolo distribuzione media COV

peso specifico predalle γpredalle Normale 1,05 0,105
peso specifico pavim. γpavim Normale 1,00 0,25
peso specifico parapetto qparapetto Normale 1,03 0,082
Tabella 3.3: Variabili aleatorie e loro parametri: pesi specifici dei materiali
La relazione che esprime il momento sollecitante nell’appoggio di estre-
mità, dovuto ai carichi di tipo G, è la seguente:
Gsbalzo · L2sbalzo
MG = + qparapetto · Lsbalzo (3.3)
2
dove:
74
• Gsbalzo : carico di tipo G che grava sullo sbalzo;
• Lsbalzo : lunghezza dello sbalzo.
Con l’ausilio di MatLabr si è proceduti all’estrazione casuale di tale
momento sollecitante per ipotesi considerato Normale:
0.15
0.1
Freq. relativa
0.05
0
22 24 26 28 30 32 34 36 38 40
kNm
Figura 3.8: PdF del MG dovuto ai carichi di tipo G
3.4.3 Carico di tipo q1
Il carico di tipo q1 corrisponde al carico mobile dovuto al traffico veicolare.
In riferimento alla Normativa[15], le azioni da carico si dividono in sei schemi
ma nel nostro caso solo gli schemi 1, 2, 3, 5 devono essere considerati. Lo

schema di carico che massimizza il momento flettente negativo nell’appoggio
di estremità è rappresentato nella figura 3.9. Nella figura si è indicato con:
75
Figura 3.9: Posizione del carico mobile massimizzante il M −
• Pd : impronta del veicolo convenzionale[15] assunta pari a 100, 00 kN;
Anche in questo caso si è proceduto alla identificazione della relazione che

lega il momento sollecitante con i carichi mobili:
d
MQ = · Pd (3.4)
wc
• d: distanza o braccio dell’impronta rispetto alla trave esterna assunta
pari a 1, 50 m;
• wc : larghezza collaborante che deriva dalla diffusione del carico a 45◦ ,
assunta pari a 2, 70 m;
Con l’ausilio di MatLabr si è proceduti all’estrazione casuale di tale
momento sollecitante per ipotesi considerato Normale: si faccia riferimento

alla figura 3.10.
76
0.03
0.025
0.02
Freq. relativa
0.015
0.01
0.005
0
30 40 50 60 70 80 90 100 110 120
kNm
Figura 3.10: PdF del MQ dovuto ai carichi di tipo Q
3.4.4 Stima del momento sollecitante
Il calcolo del momento sollecitante è stato eseguito in MatLabr som-

mando i risultati delle estrazioni casuali di MG e di MQ . Utilizzando il
Distribution Fitting Tool è stato possibile ricavare la distribuzione della sol-
lecitazione: si faccia riferimento alla figura 3.11. In questo modo al valore
del momento sollecitante da progetto MSd , ottenuto moltiplicando per 1, 4 i
carichi fissi e per 2, 1 i carichi mobili, corrisponde una probabilità di essere
maggiorato di 5, 00 · 10−3 cosı̀ come previsto dalla Teoria degli Stati Limite:
MSd = 158, 75 kNm ⇒ P r(MSd ) = 5, 84 · 10−5 ≤ 5, 00 · 10−3
I dati della distribuzione della sollecitazione sono riassunti nella seguente
77
tabella:
parametro simbolo distribuzione media dev. std.
Momento Sollecitante MS Normale 108,05 13,16
Tabella 3.4: Variabili aleatorie e loro parametri: momento sollecitante
0.03
0.025
0.02
Densità
0.015
0.01
0.005
0
60 70 80 90 100 110 120 130 140 150 160
kNm
Figura 3.11: PdF del momento sollecitante MS
3.5 Formulazione del degrado strutturale
La causa principale del deterioramento strutturale è rappresentata dalla

corrosione delle armature d’acciaio; quindi poter misurare il tasso di corro-
sione delle barre di armatura è molto importante ai fini della stima delle
performance presenti e future della struttura. La corrosione causa la riduzio-
ne dell’area delle barre nelle strutture in cemento armato; essa è un processo
78
elettrochimico (fenomeno della Pila di Corrosione) che avviene in presenza
di ossigeno, acqua e di un mezzo conduttore che metta in comunicazione l’a-
nodo con il catodo. I quattro processi indicati nella figura 3.12 devono essere
Figura 3.12: Meccanismo elettrochimico del processo corrosivo
complementari e riprodursi con la stessa velocità:
• IA : corrente scambiata alla superficie delle armature in senso anodico;
• IC : corrente scambiata alla superficie delle armature in senso catodico;
• Im : corrente che passa all’interno dell’armatura dalla regione anodica

a quella catodica;
• ICLS : corrente che circola all’interno del calcestruzzo dalla regione

catodica a quella anodica e che chiude il circuito.
La velocità di corrosione (Icorr ) è la più lenta tra le quattro suindicate ed
è da intendersi come velocità di penetrazione (la si misura in µm/anno).

Sulle barre di armatura si forma un sottile film di ossido di ferro che, grazie
al pH elevato presente all’interno del calcestruzzo (pH13), rimane stabile ed
impedisce l’innescarsi delle reazioni Red-Ox. Una sufficiente concentrazione
di ioni cloruri può abbassare il pH e quindi distruggere la barriera di ossido
79
di ferro; basti pensare all’operazione di spargimento di sale sulla carreggiata
durante gli inverni rigidi: ciò provoca un consistente accumulo di ioni cloruri
che, penetrando all’interno della struttura, possono compromettere l’equi-
librio elettrochimico delle barre di armatura. È chiaro che il fenomeno di
corrosione si compone di due fasi temporali:
• t < TI : fase di penetrazione dei cloruri fino al tempo TI di innesco del
degrado;
• t ≥ TI : fase di depassivazione del film protettivo e riduzione dell’area
delle barre.
3.5.1 Tempo di innesco del degrado
Il tempo di innesco del degrado TI dipende dalla velocità di propagazio-

ne degli ioni attraverso il copriferro. La diffusione dei cloruri attraverso il
copriferro viene modellata dalla legge di Fick[16]:
∂C(x, t) ∂ 2 C(x, t)
= DC · (3.5)
∂t ∂x2
Il processo di degrado è legato al trasporto combinato di CO2 e ioni cloruro
che, attraverso i pori e le microfessure del congomerato, raggiungono le barre
di armatura. Quando gli ioni raggiungono le armature e depassivano la bar-
riera di ossido di ferro si innesca la corrosione. Integrando la relazione 3.5 si

ottiene la profondità di penetrazione nel tempo dei cloruri:
p
x= 2 · (D/a) · (C1 − C2) · t (3.6)
80
Figura 3.13: Fronte di carbonatazione rilevato tramite l’uso della
fenolftaleina su una carota di cls
dove:
• D: coefficiente di diffusione;
• a: quantità di CO2 necessaria a carbonatare un volume unitario di

calcestruzzo;
• C1 : concentrazione di CO2 sulla superficie del calcestruzzo;
• C2 : concentrazione di CO2 sul fronte di carbonatazione.
Considerando tali valori costanti la 3.6 si semplifica nel seguente modo:
√
x=k· t (3.7)
Imponendo nella 3.7:
• x: copriferro da 3, 00 cm;
• k: ipotesi cls di bassa qualità, assunto pari a 10 mm/anno1/2 .
81
si ottiene un valore del tempo di innesco del degrado TI pari a:
TI ' 9 anni
3.5.2 Modello di degrado delle armature d’acciaio
La propagazione della corrosione viene spesso espressa in termini di den-

sità di corrente di corrosione icorr . Ricordiamo la relazione che lega la velocità
di corrosione Icorr con la densità icorr :
Icorr
icorr = = [µA · L−2 ] (3.8)
π · Dbarra · L
dove:
• Dbarra : diametro dell’armatura d’acciaio;
• L: lunghezza dell’area polarizzata dell’armatura d’acciaio.
Si noti che l’equazione 3.8 considera che la polarizzazione della barra sia
uniforme lungo la sua circonferenza.
La valutazione della perdita di peso della barra dovuta alla corrosione è

resa attraverso la legge di Faraday:
M · icorr · t
m= (3.9)
z·F
dove:
• F : costante di Faraday;
• M : peso atomico del ferro;
82
• t: tempo in secondi;
• z: numero delle cariche negli ioni ferrosi.
Se si fa attraversare una barra d’armatura da una icorr = 1, per un periodo
di un anno, si ottiene dalla 3.9:
m = 9, 15 · 10−3 g/cm2
e ricordando il valore della densità dell’acciaio:
ρS = 7, 81 g/cm3
è facile ricavare che la perdita di sezione è stata di:
m
= 11, 6 µm/anno
ρS
Siccome l’ipotesi è di corrosione uniforme intorno alla barra d’armatura,
se ne deduce che una densità di corrente di corrosione unitaria ridurrà il
diametro di 23, 2 micron ogni anno. In accordo alla precedente relazione si

definisce il tasso di corrosione come segue:
rc = 11, 6 · icorr µm/anno (3.10)
La riduzione del diametro della barra può essere stimata in funzione di

icorr con la seguente:
Z Z
D(t) = D0 − 2 · rc dt = D0 − 0, 0232 · icorr dt (3.11)
83
In questo modello la variabile aleatoria è rappresentata proprio dalla den-
sità di corrente, la cui P dF è Uniforme mentre gli indici sono di seguito in-
dicati in tabella[1]: Nella figura seguente è rappresentato il profilo dell’area
simbolo distribuzione min max

icorr low Uniforme 1,00 2,00
icorr medium Uniforme 1,50 2,50
icorr high Uniforme 2,00 3,00
Tabella 3.5: Variabili aleatorie e loro parametri: indice di corrosione
media dei ferri soggetta al degrado da corrosione rappresentato dalla rela-

zione 3.11 per i diversi indici di corrosione icorr indicati nella tabella 3.5:
Degrado barre d’acciaio

1300
i low
corr
icorr medium
1200 icorr high
1100
mm2
1000
900
800
700
0 10 20 30 40 50 60 70 80
anni
Figura 3.14: Profilo temporale da corrosione dell’area dei ferri per diversi
valori di icorr
84
3.6 Stima delle resistenze della struttura
La sezione della soletta prescelta per la stima del momento ultimo è quella
in corrispondenza della trave di bordo: infatti in questa sezione si attinge
il momento max negativo. Di seguito si riporta uno schema della sezione
suddetta. I dati indicati in figura sono i seguenti:
Figura 3.15: Sezione retta semplicemente armata della soletta da ponte in

corrispondenza della trave di bordo
• B: base da 100 cm;
• d: altezza utile da 36, 1 cm;
• c: copriferro da 3, 0 cm al netto delle armature;
• Af : 5∅18 per un valore di 1270 mm2 ;
• Ms : momento sollecitante dato dalla somma di MG e MQ .
Il nostro scopo è di stimare la resistenza, rappresentata dal momento ultimo,

nel tempo. Per fare ciò bisogna eseguire una verifica della sezione allo stato
limite ultimo e quindi:
• imporre l’equilibrio alla traslazione;
85
• stimare l’asse neutro;
• imporre l’equilibrio alla rotazione;
• stimare il momento ultimo.
3.6.1 Verifica SLU della sezione
La verifica SLU della sezione ha portato con sè alcune difficoltà di carat-
tere computativo. Infatti bisogna ricordare che i valori delle aree dei ferri
vengono forniti da estrazioni casuali di variabili aleatorie. Ciò comporta che,
Profilo del momento ultimo

240
icorr low
icorr medium
220
icorr high
MS
200
180
kNm
160
140
120
100
0 10 20 30 40 50 60 70 80
anni
Figura 3.16: Confronto tra i profili del momento ultimo con il momento
sollecitante
fissato un istante temporale della nostra indagine, abbiamo 10.000 valori delle
aree dei ferri: occorre effettuare 10.000 verifiche SLU delle sezioni! Lo sforzo
computativo è stato affrontato compilando un codice di calcolo in MatLabr
86
che permetta di eseguire le verifice SLU della sezione semplicemente arma-
ta. Ecco nella figura 3.16 il profilo del momento ultimo medio. Tale grafico
rappresenta i valori medi in ottanta anni del momento ultimo, mentre la sua
P df è di seguito rappresentata nella figura 3.17. I dati della distribuzione
0.025
0.02
Densità
0.015
0.01
0.005
0
170 180 190 200 210 220 230 240 250 260 270
kNm
Figura 3.17: PdF del momento ultimo MU
del momento ultimo, all’istante t = 0, sono riassunti nella seguente tabella:
parametro simbolo distribuzione media dev. std.

Momento Ultimo MU d Normale 220,80 15,31
Tabella 3.6: Variabili aleatorie e loro parametri: momento ultimo
In questo modo si è verificato che il momento ultimo da progetto MU d

abbia una probabilità di essere minorato di 5, 00 · 10−3 cosı̀ come previsto
87
dalla Teoria degli Stati Limite:
MU d = 162, 70 kNm ⇒ P r(MSd ) = 7, 38 · 10−5 ≤ 5, 00 · 10−3
3.7 Determinazione dell’indice di affidabilità
Una volta determinate le P dF del momento sollecitante e del momento
ultimo, è possibile applicare l’ Espressione di Cornell per calcolare l’indice
di affidabilità strutturale:
µR − µS
β=p 2 (3.12)
σR + σS2
Nella figura successiva viene mostrato il profilo dell’indice β:
Profilo dell’indice di affidabilità

6
i low
corr
5.5 icorr medium
icorr high
5
4.5
affidabilità
3.5
2.5
1.5
1
0 10 20 30 40 50 60 70 80
anni
Figura 3.18: Profilo dell’indice di affidabilità
Ricordando che l’indice di affidabilità è intimamente legato alla proba-
88
bilità di collasso, il grafico 3.19 mette in nuce la “distanza” relativa tra le
sollecitazioni e le resistenze. Con il passare del tempo tale distanza o buffer
Resistenza e Sollecitazione in t=0
0.03
0.025
0.02
Densità
0.015
0.01
0.005
0
100 150 200 250
kNm
Figura 3.19: P dF della Resistenza e Sollecitazione a confronto in t = 0
di sicurezza viene progressivamente eroso dal degrado strutturale. Tutto ciò

viene mostrato nella figura 3.20 dove sono rappresentate le resistenze e le
sollecitazioni all’anno t = 80. Nella tabella 3.7 e nella tabella 3.8 sono stati
riassunti gli indici di affidabilità e le relative probabilità di collasso agli istan-
ti di tempo t = 0 e t = 80 per i diversi valori di icorr presi in considerazione:
t=0 affidabilità Prob. collasso

icorr low 5, 59 1, 17 · 10−8
icorr medium 5, 59 1, 17 · 10−8
icorr high 5, 59 1, 17 · 10−8
Tabella 3.7: Indici di affidabilità e probabilità di collasso in t = 0
89
0.03
Densità icorr low
0.02
0.01
0
60 80 100 120 140 160 180 200
0.03
Densità
i med
corr
0.02
0.01
0
60 80 100 120 140 160 180 200
0.03
Densità
i high
corr
0.02
0.01
0
60 80 100 120 140 160 180
kNm
Figura 3.20: P dF della Resistenza e Sollecitazione a confronto in t = 80
t=80 affidabilità Prob. collasso

icorr low 2, 86 2, 13 · 10−3
icorr medium 2, 11 1, 73 · 10−2
icorr high 1, 34 8, 97 · 10−2
Tabella 3.8: Indici di affidabilità e probabilità di collasso in t = 80
Il profilo delle probabilità di collasso viene mostrato nella figura 3.21,

ricordando la relazione che lega l’indice di affidabilità con la Pf è la seguente:
Pf = 1 − Φ(β)
Per motivi di leggibilità del diagramma, la scala di rappresentazione degli

assi dei tempi e delle Pf è logaritmica.
90
−1 Profilo delle probabilità di collasso
10
i low
corr
−2 icorr medium
10
icorr high
−3
10
−4
10
Pfailure
−5
10
−6
10
−7
10
−8
10
−9
10
0 1 2
10 10 10
anni
Figura 3.21: Profilo delle probabilità di collasso
91
Capitolo 4
Analisi del ciclo di vita per una

soletta da ponte in c.a.
4.1 Introduzione
La spesa per la gestione delle infrastrutture è una voce preponderante nel

bilancio dell’amministrazione pubblica: l’andamento della spesa pubblica per
i trasporti, settore strade e viabilità, è stato crescente nel biennio 2002−2004
fino ad attestarsi intorno alla cifra di 5, 86 miliardi di Euro all’anno[18]. Dato

questo massiccio ammontare di denaro, a fronte di una crescente scarsità di
risorse, è vitale che tali fondi siano utilizzati nel modo più efficiente possibile.
I ponti stradali, cosı̀ come le loro componenti, si deteriorano negli anni
ed hanno bisogno di un programma di manutenzione e di ispezioni che possa
individuare i danni, la perdita effettiva di resistenza dei componenti, le frat-
ture e le fessure. La vita di servizio della struttura è fortemente dipendente

dalla frequenza e dalla qualità dei programmi di manutenzione.
In questo capitolo verrà affrontata l’analisi del ciclo di vita per la soletta
da ponte oggetto di studio del capitolo precedente.
92
4.2 Approccio del problema
Il costo totale atteso del ciclo di vita è cosı̀ espresso[8]:
CET = CT + CP M + CIN S + CREP + CF (4.1)
dove:
• CT : costo iniziale;
• CP M : costo della manutenzione preventiva (ordinaria o ciclica);
• CIN S : costo delle attività di ispezione;
• CREP : costo delle attività di riparazione (manutenzione straordinaria);
• CF : costo di collasso.
Per implementare una strategia ottimale bisogna individuare il minimo
costo mantenendo, allo stesso tempo, l’affidabilità della struttura al di sopra
di un valore minimo accettabile. Infatti il problema lo si può riassumere nella

seguente[8]:
∗
min CET con Pf,lif e ≤ Pf,lif e (4.2)
Ricordando la relazione:
β = Φ−1 (1 − Pf )
la strategia ottimale del costo è soluzione del seguente problema matematico[8]:
∗
min CET con βlif e ≥ βlif e (4.3)
93
dove:
• βlif e : indice di affidabilità durante la vita della struttura;
∗
• βlif e : valore minimo di accettabilità dell’indice di affidabilità.
Quando il costo totale della struttura è espresso in termini di ciclo di vita,
la strategia di minimo costo manutentivo può essere individuata utilizzan-
do tecniche di ottimizzazione; molte di queste strategie si basano su dati dei
danni di natura deterministica. Per poter “cogliere” il beneficio totale di una

ottimizzazione, basata sull’analisi del ciclo di vita, si devono utilizzare me-
todi speculativi basati sull’analisi dell’affidabilità congiuntamente ad analisi
e stime quantitative delle condizioni della struttura.

Nel caso in esame si è scelto di fare riferimento al profilo di affidabilità
∗
individuato dall’indice di corrosione più alto, mentre il βlif e viene scelto pari
a 4.
4.2.1 CT : costo iniziale
Il costo iniziale CT consiste nel costo di realizzazione della soletta da pon-
te. Per determinare tale costo è stato consultato il Tariffario della Regione
Lazio per poter avere i costi, comprensivi di realizzazione e posa in opera,
della struttura e delle materie prime utilizzate. Nella tabella 4.1 viene rias-
sunto quanto detto precedentemente circa il calcestruzzo. I costi dell’acciaio
larghezza lunghezza spessore volume prezzo totale

m m m m3 Euro/m3 Euro
11,00 25,00 0,40 110,00 121,37 13.350,70
Tabella 4.1: Costo iniziale: costo del calcestruzzo
94
sono di seguito elencati nella tabella 4.2. Nel costo iniziale della soletta bi-
n◦ barre diametro lunghezza volume γF eB44K peso prezzo totale

mm m m3 kg/m3 kg Euro/kg Euro
192 28 10,90 1,288 7.850 10.115,87 0,75 7.586,90
140 20 10,90 0,479 7.850 3.763,35 0,75 2.822,51
78 16 10,00 0,156 7.850 1.231,10 0,75 923,33
152 16 8,00 0,244 7.850 1.919,26 0,75 1.439,44
38 14 10,00 0,058 7.850 459,20 0,75 344,40
76 14 8,00 0,093 7.850 734,72 0,75 551,04
192 14 3,00 0,088 7.850 696,05 0,75 522,03
Tabella 4.2: Costo iniziale: costo delle barre d’acciaio
sogna tener conto anche del costo di messa in opera della pavimentazione;
nella seguente tabella 4.3 vengono specificati i costi per lo strato di usura,
binder e base della pavimentazione.
larghezza lunghezza spessore volume prezzo totale

m m m m3 Euro/m3 Euro
usura 11,00 25,00 0,05 13,75 51,65 710,19
binder 11,00 25,00 0,02 5,50 54,23 298,27
base 11,00 25,00 0,13 35,75 10,85 387,89
Tabella 4.3: Costo iniziale: costo dello strato di usura, binder e base
Sommando i totali presenti nelle tabelle appena indicate si ricava il costo
iniziale CT della soletta da ponte: 28.936, 69 Euro.
Nella figura 4.1 viene mostrato il costo CT che è invariante rispetto al

numero di ispezioni.
95
¼
¼
¼
¼
(XUR
¼
¼
¼
¼

QLVSH]LRQL
Figura 4.1: Costo iniziale CT
4.2.2 CP M : costo manutenzione preventiva (ordinaria
o ciclica)
Il costo CP M computa i costi di tutti gli interventi detti ordinari o ciclici

come la rimozione e sostituzione della pavimentazione, riparazione delle fes-
sure, pulizia e recupero delle parti esposte della struttura. Tale costo non è
di semplice determinazione: spesso le società di gestione delle infrastrutture
possono utilizzare il costo medio per chilometro della riparazione, moltipli-
carlo per la luce del ponte e cosı̀ ottenere una stima del costo di questo tipo
di riparazione. Questi indici medi di costo derivano da osservazioni condotte
su numerosi ponti attualmente in servizio e raramente tengono conto delle

condizioni meteorologiche, età del ponte e sue condizioni.
Con buona approssimazione si può affermare che il lavoro della manuten-
zione ordinaria è proporzionale alle dimenzioni ed all’età del ponte. Siccome

tale costo è crescente nel tempo, bisogna che la sua stima debba considerare
96
anche l’effetto del tempo. Per un assegnato ponte, il costo della manutenzione
ordinaria (Cmain ) in un dato istante t è una funzione lineare cosı̀ definita[8]:
Cmain,t = Cmain · t
dove:
• Cmain : costo della manutenzione ordinaria all’anno 1;
• t: età del ponte espressa in anni.
Nel nostro caso si è assunto che tale manutenzione ordinaria consista
nella rimozione e sostituzione della pavimentazione ed avvenga con cadenza

quinquennale. Quindi si può scrivere che[8]:
CP M = Cmain,5 + Cmain,10 + . . . + Cmain,75
Siccome bisogna convertire i costi futuri nel loro valore attuale, ecco final-
mente come si calcola il costo dell’azione di manutenzione preventiva:
1 1 1
CP M = Cmain,5 5
+ Cmain,10 10
+ . . . + Cmain,75 (4.4)
(1 + r) (1 + r) (1 + r)75
dove:
• r: tasso di interesse netto pari al 6%.
Nella figura 4.2 si mostra il CP M rispetto al tempo (anni) tenendo conto
dell’attualizzazione.
Di seguito si riporta la tabella 4.4 che mostra il calcolo del costo di manu-
tenzione ordinaria considerando i prezzi elencati nel Tariffario della Regione
97
¼
¼
¼
¼
¼
(XUR
¼
¼
¼
¼
¼

DQQL
Figura 4.2: Costo manutenzione ordinaria CP M
Lazio. Sommando i costi presenti nell’ultima colonna della tabella appena

indicata si ricava il costo della manutenzione preventiva CP M della soletta
da ponte: 76.495, 01 Euro.
Nella figura 4.3 si mostra il CP M rispetto al numero delle ispezione (an-
damento costante).
4.2.3 CIN S : costo di ispezione
Quando si esegue un’ispezione, la capacità di individuare il danno è for-
temente dipendente dalla qualità della tecnica ispettiva che viene impiegata.
Se si impiega una tecnica ispettiva di alta qualità più facilmente si può indivi-
duare il danno strutturale. È chiaro che nessuna riparazione verrà effettuata
finchè il danno strutturale non sia stato individuato. Si definisce intensità di

danno la seguente[8]:
D0 − D(t)
η=
D0
98
stesa fresatura demolizione Cmain Cmain,t CP M
anno Euro Euro Euro Euro Euro Euro
0 710,19 85,25 596,75 1.392,19 0 0
5 710,19 85,25 596,75 1.392,19 6.960,94 5.201,62
10 710,19 85,25 596,75 1.392,19 13.921,88 7.773,90
15 710,19 85,25 596,75 1.392,19 20.882,81 8.713,67
20 710,19 85,25 596,75 1.392,19 27.843,75 8.681,81
25 710,19 85,25 596,75 1.392,19 34.804,69 8.109,44
30 710,19 85,25 596,75 1.392,19 41.765,63 7.271,82
35 710,19 85,25 596,75 1.392,19 48.726,56 6.339,58
40 710,19 85,25 596,75 1.392,19 55.687,50 5.414,06
45 710,19 85,25 596,75 1.392,19 62.648,44 4.551,41
50 710,19 85,25 596,75 1.392,19 69.609,38 3.778,98
55 710,19 85,25 596,75 1.392,19 76.570,31 3.106,26
60 710,19 85,25 596,75 1.392,19 83.531,25 2.532,19
65 710,19 85,25 596,75 1.392,19 90.492,19 2.049,89
70 710,19 85,25 596,75 1.392,19 97.453,13 1.649,62
75 710,19 85,25 596,75 1.392,19 104.414,06 1.320,75
Tabella 4.4: Costo manutenzione preventiva: costo della stesa, fresatura e

demolizione della pavimentazione stradale
dove:
• D0 : diametro iniziale della barra d’armatura;
• D(t): diametro all’istante t della barra d’armatura.
La tecnica di ispezione prescelta è di tipo non distruttiva (NDE), la sua

sensibilità ed efficacia nel rilevare il degrado è indicata dalla probabilità di
individuazione dello stesso. Con η0,5 si indica l’intensità del degrado che ha
il 50% di probabilità di essere individuato mentre il coefficiente di variazione

COV lo si assume[8] pari a 0, 10; in questo modo è possibile determinare i
99
¼
¼
¼
¼
¼
(XUR
¼
¼
¼
¼
¼

QLVSH]LRQL
Figura 4.3: Costo manutenzione ordinaria CP M : costante rispetto alle

ispezioni
seguenti valori[8]:
ηmin = η0,5 − 3 · σins
ηmax = η0,5 + 3 · σins
dove:
• ηmin : intensità del degrado al di sotto della quale è impossibile indivi-
duare il degrado;
• ηmax : intensità del degrado al di sopra della quale è certa l’individua-
zione del degrado;
• σins : deviazione standard della tecnica d’ispezione;
Per una struttura sottoposta a degrado con intensità η al tempo t, ispezio-
nata con una tecnica NDE, la probabilità di individuazione del degrado è
100
approssimata come segue[8]:
d(η) = 0 per 0 ≤ η ≤ ηmin

· ¸
η − η0,5
d(η) = Φ per ηmin ≤ η ≤ ηmax (4.5)
σins
d(η) = 1 per η ≥ ηmax
dove:
• Φ: funzione di distribuzione della variabile normale standard.
In questo modo la natura imperfetta di una tecnica NDE è descritta in termini

probabilistici.
Il costo associato ad un metodo di ispezione si calcola come segue[8]:
Cins = αins · (1 − ηmin )20 (4.6)
dove:
• αins : frazione del costo iniziale CT pari al suo 7%.
Per una strategia che richiede m ispezioni durante la vita della struttura,
il costo totale atteso delle ispezioni è cosı̀ formulato[8]:
m
X 1
Cins = Cins · (4.7)
i=1
(1 + r)Ti
dove:
• Ti : tempo dell’ispezione;
101
Nella seguente tabella 4.5 vengono riassunte le caratteristiche ed i costi
della singola operazione d’ispezione:
η0,5 σ ηmin ηmax αins Cins

Euro Euro
0,10 0,01 0,070 0,130 2.025,57 474,47
Tabella 4.5: Costo ispezione: costo della singola operazione d’ispezione
Nella figura 4.4 si mostra il grafico della 4.7 rispetto al numero di ispezioni
eseguite.
¼
¼
¼
(XUR
¼
¼
¼
¼

QLVSH]LRQL
Figura 4.4: Costo delle ispezioni CIN S
4.2.4 Attività di riparazione
L’attività di ispezione non influenza la probabilità di collasso della strut-
tura. A seguito di una ispezione, se viene individuato un danno, si può de-

cidere di effettuare una riparazione. La decisione di effettuare la riparazione
è strettamente dipendente dalla qualità tecnologica dell’attività di ispezione.
102
Generalmente quando al tempo t viene effettuata un’attività di riparazione
si ha che l’intensità del degrado si riduce: si passa da ηt− a ηt+ con ηt+ < ηt− .
Tutto ciò si traduce in un incremento della resistenza (incremento di capacità
flessionale) e lo si indica come segue[8]:
Mr,a − Mr,b
erep =
Mr0
dove:
• Mr,a : resistenza flessionale dopo la riparazione;
• Mr,b : resistenza flessionale prima della riparazione;
• Mr0 : resistenza flessionale iniziale del componente strutturale.
Dalla precedente si deduce che il valore dell’effetto della riparazione erep è
cosı̀ determinato[8]:
0 < erep < 1
Nell’analisi economica, che verrà in seguito illustrata, l’effetto della ripara-

zione erep sarà calcolato ogni volta che si deciderà di eseguire un intervento
di manutenzione straordinaria. È opportuno osservare che l’effetto della ri-

parazione può essere espresso anche in termini di rinvigorimento dell’indice
β; per questo lavoro di tesi si è ipotizzato che tale effetto della riparazione
sia posto pari a 0, 80 in modo che:
βr,a = βr,b + 0, 80
dove:
103
• βr,a : indice di affidabilità dopo la riparazione;
• βr,b : indice di affidabilità prima della riparazione;
Il costo dell’attività di riparazione può essere quantizzato in proporzione
all’effetto di riparazione come di seguito indicato[8]:
Crep = αrep · (erep )γ (4.8)
dove:
• αrep : costo di sostituzione pari a CT ;
• γ: parametro del modello pari a 0, 5.
Quindi la 4.8 assume la forma seguente[8]:
√
Crep = αrep · erep (4.9)
Anche in questo caso, per una strategia di riparazione che richiede n inter-
venti, bisogna trasformare il costo sostenuto negli anni nel costo attualizzato[8]:
n
X 1
Crep = Crep · (4.10)
i=1
(1 + r)Ti
dove:
• Ti : tempo della riparazione;
104
4.2.5 Strategia ottimale di ispezione/riparazione
L’obiettivo di una strategia ottimale di ispezione/riparazione è di mini-

mizzare i costi assicurando, nel contempo, un livello di affidabilità accettabile
durante la vita di servizio della struttura. Occorre uno strumento che per-
metta di valutare tutte le possibili attività di riparazione conseguenti alle

ispezioni effettuate. Tale strumento è l’albero delle decisioni detto anche
Albero degli Eventi.
Analisi dell’albero degli eventi
Con questo modello di analisi viene fornito uno strumento capace di va-
lutare in modo strutturato e completo tutte le opzioni di riparazione con-
seguenti alle scelte fatte su ispezioni programmate. Per costruire un albero

decisionale bisogna che siano codificate le scelte di riparazione come segue:
• 1: si effettua la riparazione;
• 0: non si effettua la riparazione.
In questo modo ogni ramo dell’albero (la decisione effettuata) è opportu-
namente codificato. Le decisioni intraprese dopo ogni nuova ispezione sono
influenzate dalle decisioni fatte precedentemente. Ad esempio, la decisione di
effettuare oppure no la riparazione dopo la seconda ispezione sarà influenzata

dalla decisione (positiva o negativa che sia) presa nella precedente ispezio-
ne. Detto m il numero prestabilito di ispezioni da eseguire, il numero dei
rami dell’albero degli eventi sarà 2m : l’analisi dell’albero diventa sempre più
complessa all’aumentare del numero delle ispezioni.
105
E
7D
E
7D
E
7E
E
7D
E
7F
E
7E
E
7G
7
E
7H
E
7F
E
7I
E
7E
E
7J
E
7G
E
W W W 7K
7 7 7 7
Figura 4.5: Albero degli eventi con 3 ispezioni
Ora verrà mostrato un esempio di analisi dell’albero degli eventi: si faccia

riferimento alla figura 4.5 dove il numero di ispezioni da eseguire sono 3 e
conseguentemente il numero di rami sarà pari a 8. Con il termine bi,j si
indica l’evento corrispondente alla scelta al tempo i del ramo j; l’intervallo
di ispezione è ti e la i esima ispezione accade al tempo:
j
X
Ti = tj
n=1
L’analisi delle scelte, che dovranno avvenire al tempo delle ispezioni (nodi
dell’albero), si concentra sulla condizione di vita della struttura negli istanti
di tempo immediatamente precedenti (Ti− ) e seguenti (Ti+ ) il tempo Ti di
ispezione. Ecco come si procede[8]:
intervallo (T0 ; T1− ): Si assume che la struttura venga posta in servizio al
tempo t = T0 . Al tempo T1− cioè poco prima che venga eseguita la
106
prima ispezione, si valuta l’indice di degrado η, come mostrato nella 4.5,
e la probabilità di collasso Pf,T1− . La valutazione di queste quantità è
fatta tenendo conto del profilo di affidabilità strutturale β e quindi delle
Pf e dei diametri delle barre d’armatura correllati. In virtù dell’indice η
si può decidere se effettuare oppure no l’attività di riparazione: quindi
si può stabilire di percorrere il ramo con codice 1 oppure con codice 0.
intervallo (T1+ ; T2− ): Al tempo T1+ si possono verificare due eventi possibili
che dipendono dal risultato dell’ispezione. L’evento b1,1 indica che la
struttura è stata riparata quindi bisogna tener conto dell’incremento
in termini di β di tale riparazione (erep = 0, 80); l’evento b1,2 indica

mancata riparazione (erep = 0). Si dovranno valutare le probabilità di
accadimento P (b1,1 ),P (b1,2 ) di questi eventi nel seguente modo:
· ¸
ηT1− − η0,5
P (b1,1 ) = Φ
σ
È chiaro che la probabilità dell’altro evento è pari a:
P (b1,2 ) = 1 − P (b1,1 )
Prima che si effettui la seconda ispezione devono essere valutate le Pf
di entrambi i rami e quindi gli indici di degrado.
intervallo (T2+ ; T3− ): Il procedimento è analogo al caso precedente, solo che

il numero di eventi bi,j è fortemente aumentato in ragione di 2m dove
m è il numero di ispezioni: nel nostro caso, dopo la seconda ispezione,
sono da analizzare 4 possibili eventi.
107
Prima di concludere l’analisi dell’albero degli eventi è opportuno porre l’ac-
cento sulle conseguenze del calcolo dell’indice ηTi− . Potrebbe accadere che il
valore di tale indice sia inferiore a ηmin della tecnologia NDE prescelta: in
questo caso è certo che non verrà eseguita alcuna manutenzione e quindi si
dovrà percorrere solo il ramo codificato con 0. In alternativa, il valore dell’in-
dice di degrado potrebbe essere maggiore di ηmax : in questo caso è certo che
verrà eseguita la manutenzione e quindi il ramo da percorrere avrà il codice

1.
Al termine dell’analisi dell’albero delle decisioni ci si ritrova con il valutare

8 possibili eventi (foglie) ai quali si è giunti percorrendo 8 percorsi possibi-
li e statisticamente indipendenti (sequenze di bi,j ). Detti B1 , B2 , . . . , B8 i

cammini compiuti, si valutano le loro probabilità come segue:
P (B1 ) = P (b3,1 ) · P (b2,1 ) · P (b1,1 )
P (B2 ) = P (b3,2 ) · P (b2,1 ) · P (b1,1 )
...
P (B8 ) = P (b3,8 ) · P (b2,4 ) · P (b1,2 ) (4.11)
Le probabilità di collasso dei singoli rami sono valutate come segue:
1 11 111
Pf,lif e,1 = max(Pf,T1− , Pf,T 1−
, Pf,T 1−
, Pf,T 1−
)
1 11 110
, Pf,T 1−
, Pf,T 1−
)
...
0 00 000
, Pf,T 1−
, Pf,T 1−
) (4.12)
108
dove con gli apici 1 (0) si è indicato lo svolgimento (il non svolgimento)
dell’attività di riparazione a seguito della ispezione effettuata.
Utilizzando le 4.11 e le 4.12 è possibile ricavare la probabilità di collasso

della struttura a seguito di questo scenario di manutenzione con m = 3
ispezioni eseguite:
8
X
Pf,lif e = Pf,lif e,i · P (Bi ) (4.13)
i=1
I costi di riparazione associati ai rami dell’albero degli eventi sono di
seguito specificati:
Crep,1,1 Crep,2,1 Crep,3,1

Crep,1 = T
+ T
+
(1 + r) 1 (1 + r) 2 (1 + r)T3
Crep,2 = + +
(1 + r)T1 (1 + r)T2 (1 + r)T3
...
Crep,8 = T
+ T
+ (4.14)
(1 + r) 1 (1 + r) 2 (1 + r)T3
Determinazione CF e CREP : costo di failure e costo di riparazione
Il costo CF viene definito costo di failure strutturale e lo si esprime come
segue:
CF = Cf · Pf,lif e (4.15)
La determinazione del coefficiente di costo Cf è molto complessa, in genere

in esso sono compresi:
• costi diretti di collasso strutturale come il rifacimento dell’opera che
comprende la demolizione, la riprogettazione e la ricostruzione;
• costi indiretti di collasso strutturale come il costo di maggior ritar-
109
do patito dagli utenti che non possono servirsi della struttura, disagi
gravanti sul tessuto sociale limitrofo alla struttura per la sua mancata
utilizzazione.
Nell’esempio proposto tale coefficiente è stato considerato proporzionale al
costo iniziale CT :
Cf = 100 · CT = 2.893.669, 14 Euro
In virtù della 4.13 è stato possibile ricavare il costo di failure per ogni scenario
(caratterizzato dal numero di ispezioni) considerato.
Contestualmente è stato possibile ricavare il costo totale di riparazione
per ogni scenario considerato:
2 m
X
CREP = Crep,i · P (Bi ) (4.16)
i=1
4.3 Progetto della manutenzione su base pro-
babilistica
Nelle pagine seguenti verrano riportati e confrontati due progetti della
manutenzione della soletta da ponte. Le ipotesi progettuali sono le seguenti:
1. strategia di ispezione ad intervalli uniformi;
2. valore minimo di indice di affidabilità pari a 4.
La differenza sostanziale tra il primo (caso A) ed il secondo progetto di
manutenzione (caso B) è la seguente:
110
caso A : la manutenzione straordinaria è estesa su tutta la vita utile della
struttura;
caso B : la manutenzione straordinaria la si effettua a partire dall’istante

T in cui il profilo di affidabilità raggiunge il minimo valore prestabilito.
I due casi progettuali condividono anche alcuni risultati dell’analisi economi-
ca: i costi CT , CP M e CIN S sono identici e quindi, per una migliore leggibilità
dei grafici, è stata diagrammata la loro somma.
4.3.1 Analisi e risultati del caso A
Ecco rappresentati nelle figure 4.6 e 4.7 i costi CREP e CF : Come si può
notare il costo di riparazione CREP è crescente rispetto al numero di ispezioni;
il costo di failure CF è decrescente. Sommando i vari costi fin qui esaminati

ci si trova in presenza di un punto di trade-off nel quale il costo totale ha
un minimo. Nella figura 4.8 sono mostrati i risultati dell’analisi dei costi per
diversi numeri di ispezioni. La migliore strategia di ispezione/riparazione è
identificata dal minimo costo totale atteso: la figura 4.8 mostra che il numero
ottimale di ispezioni durante la vita utile della soletta da ponte è pari a 5.

Per 5 ispezioni, il ramo dell’albero degli eventi con la probabilità più alta
di accadimento è indicato nella figura 4.9 in termini di profilo di indice di
affidabilità: come si può vedere è composto da 3 interventi di manutenzione

straordinaria. La strategia ottimale di ispezione/riparazione (m = 5 e n = 3)
è associata ad assenza di manutenzione dopo le prime due ispezioni, mentre
le riparazioni sono eseguite dopo le 3 ispezione rimanenti.
111
¼
¼
¼
¼
(XUR
¼
¼
¼
¼

QLVSH]LRQL
Figura 4.6: CREP : costo di riparazione totale atteso per il caso A

¼
¼
¼
¼
(XUR
¼
¼
¼
¼
¼

QLVSH]LRQL
Figura 4.7: CF : costo di failure totale atteso per il caso A
4.3.2 Analisi e risultati del caso B
Nelle figure 4.10 e 4.11 vengono mostrati i costi CREP e CF . Anche in
questo caso il costo CREP è crescente rispetto al numero di ispezioni, ed il
costo CF è decrescente. Il punto di costo totale atteso minimo è mostrato

nella figura 4.12: il numero ottimale di ispezioni per la strategia del caso B è
pari a 3. Per 3 ispezioni, il ramo dell’albero degli eventi con la probabilità più
alta di accadimento è indicato nella figura 4.13 in termini di profilo di indice
112
&UHS &I &WRWDOH &W&SP&LQV
¼
¼
¼
&RVWR
¼
¼
¼

QLVSH]LRQL
Figura 4.8: Costo totale A: strategia ottimale di ispezione/riparazione
di affidabilità: come si può vedere è composto da 3 interventi di manutenzione

straordinaria. La strategia ottimale di ispezione/riparazione (m = 3 e n = 3)
è associata ad azioni di riparazione eseguite dopo le ispezione programmate.
4.3.3 Commento ai risultati dei casi A e B
La figura 4.14 mostra i costi totali attesi dei casi A e B a confronto. La

scelta della strategia A comporta un onere economico rappresentato dalle
ispezioni condotte in intervalli temporali dove l’affidabilità strutturale è ben

lontana dal valore minimo prestabilito. Il caso B tende a non tener conto
dell’intervallo temporale in cui la struttura è ancora considerata “giovane”:
superato il tempo T in cui β = 4, si nota che ad ogni ispezione effettuata

corrisponde un’azione di manutenzione straordinaria.
113
QRPDQXWHQ]LRQH VLPDQXWHQ]LRQH

DIILGDELOLWj

DQQL
Figura 4.9: Profilo di affidabilità con manutenzione: caso A
114
¼
¼
¼
¼
(XUR
¼
¼
¼
¼

QLVSH]LRQH
Figura 4.10: CREP : costo di riparazione totale atteso per il caso B

¼
¼
¼
¼
(XUR
¼
¼
¼
¼
¼

QLVSH]LRQH
Figura 4.11: CF : costo di failure totale atteso per il caso B
115
&UHS &I &WRWDOH &W&SP&LQV

(XUR

QLVSH]LRQL
Figura 4.12: Costo totale B: strategia ottimale di ispezione/riparazione
QRPDQXWHQ]LRQH VLPDQXWHQ]LRQH

DIILGDELOLWj

DQQL
Figura 4.13: Profilo di affidabilità con manutenzione: caso B
116
FDVR% FDVR$

(XUR

QLVSH]LRQL
Figura 4.14: Confronto dei costi totali del caso A e B
117
Capitolo 5
Conclusioni
Il presente lavoro di tesi ha sviluppato una metodologia per l’analisi del-

l’affidabilità strutturale, per una soletta da ponte, con l’obiettivo di imple-
mentare il progetto, su base probabilistica, della manutenzione nel ciclo di

vita. Per la soletta in esame si è utilizzata la condizione di carico massimiz-
zante il momento negativo: lo spargimento del sale (per il de-icing) sulla pa-
vimentazione innesca la diffusione, nella struttura sottostante, di ioni cloruri
con conseguente degrado delle barre d’acciaio.
L’analisi dell’affidabilità strutturale per calcolare il profilo dell’indice β è

la base per sviluppare, in modo razionale, un progetto della manutenzione
della soletta da ponte. Sono state esaminate due tipologie di manutenzione
(caso A e B) che differiscono per quanto segue:
• caso A : scenario di manutenzione esteso a tutta la vita utile della

struttura;
• caso B : scenario di manutenzione esteso a alla parte di vita utile dove
118
∗
β < βlif e;
Il confronto tra i due casi in esame mostra che la scelta della strategia A com-
porta un onere economico rappresentato dalle ispezioni condotte in intervalli
temporali dove l’affidabilità strutturale è ben lontana dal valore minimo pre-
stabilito. Il caso B tende a non tener conto dell’intervallo temporale in cui la
struttura è ancora considerata “giovane”: superato il tempo T in cui β = 4, si
nota che ad ogni ispezione effettuata corrisponde un’azione di manutenzione

straordinaria. Per la determinazione del minimo costo atteso, si nota la forte
influenza che il costo di failure CF esercita sul processo di valutazione eco-
nomica. L’analisi, inoltre, ha tenuto conto della qualità dei metodi ispettivi
e valutato in modo esaustivo ogni possibile opzione di ispezione/riparazione.
Punto critico per l’analisi strutturale compiuta riguarda le distribuzioni
delle grandezze aleatorie coinvolte. Come supporto alla caratterizzazione dei
materiali sono stati utilizzati i dati frutto di campagne di sperimentazioni,
ma un tale ausilio robusto è mancato per poter definire la natura aleatoria dei
carichi agenti sulla struttura in esame. Di conseguenza, per poter affrontare

la stima dell’indice β, si è fatto uso di valori bibliografici che forniscono gli
indici di posizione e dispersione delle distribuzioni dei carichi.
Lo spirito con cui è stato affrontato il presente lavoro di tesi è di poter
definire una procedura metodologica, su base razionale, capace di integrare

aspetti economici e tematiche inerenti la sicurezza nella progettazione strut-
turale. Tale procedura può essere adattata e resa valida anche per l’analisi di
altre tipologie strutturali sottoposte a degrado come le strutture in muratura,

in acciaio etc.
119
Bibliografia
[1] L. Soria. Metodi per l’analisi dell’affidabilità strutturale di ponti in c.a.

e c.a.p. Tesi di Laurea, a.a. 2003/2004
[2] P. Erto. Probabilità e Statistica per le scienze e l’ingegneria 2/ed.
McGraw-Hill, 2004
[3] P. E. Pinto, R. Giannini, P. Franchin. Seismic reliability analysis of

structures. IUSS Press, 2004
[4] Dan M. Frangopol. Advances in life-cycle reliability-based technology for
design and maintenance of structural system. Saxe-Coburg Publications,
2000; Cap. 16: 311-328
[5] C. Greco. Progetto di elementi in c.a. secondo il metodo semiprobabili-
stico agli stati limite. Hevelius, 2005
[6] C. Faella. Costruzioni in calcestruzzo armato normale e precompresso.

Volume 1B, CUES, 2003
[7] Dan M. Frangopol, M. Kallen, J. van Noortwijk. Probabilistic models
for life-cycle performance of deteriorating structures: review and future
directions. Prog. Struct. Eng. Mater. 2004; 6: 197-212
120
[8] Dan M. Frangopol, K. Y. Lin, Allen C. Estes. Life-cycle cost design
of deteriorating structures. Journal of Computing in Civil Engineering.
1997; October: 1390-1401
[9] Dan M. Frangopol, J. S. Kong, E. S. Gharaibeh. Reliability-based life-
cycle management of highway bridges. Journal of Computing in Civil

Engineering. 2001; 15(1): 27-34
[10] Dan M. Frangopol, J. S. Kong, E. S. Gharaibeh. Life prediction of high-
way bridges with or without preventive maintenance. 8th ASCE specialty
conference on probabilistic mechanics and structural reliability. 2000
[11] Dan M. Frangopol, E. S. Gharaibeh. Safety Assesment of bridge based

on system reliability and redundancy. 16th Congress of IABSE, Lucerne.
2000
[12] Dan M. Frangopol, J. S. Kong. Life-cycle reliability-based maintenance

cost optimization of deteriorating structures with emphasis on bridges.
Journal of Structural Engineering. 2003; 129(6): 818-828
[13] Mark G. Stewart, Allen C. Estes, Dan M. Frangopol. Bridge deck repla-
cement for minimum expected cost under multiple reliability constraints.
Journal of Structural Engineering. September 2004; 129(6): 1414-1419
[14] Allen C. Estes, Dan M. Frangopol. Repair optimization of highway brid-
ges using system reliability approach. Journal of Structural Engineering.

July 1999; 766-775
121
[15] Nuove Norme Tecniche per le Costruzioni. Gazzetta Ufficiale, Serie
Generale n. 222 del 23.09.2005
[16] Palle Thoft-Christensen. What happens with reinforced concrete

structures when the reinforcement corrodes? Yamaguchi, Japan 2001
[17] Jianhui Sun. Probabilistic analysis of reinforced concrete bridge girders
under corrosion. London, Ontario 1999
[18] Conto Nazionale delle Infrastrutture e dei Trasporti. An-

no 2004 - Ministero delle Infrastrutture e dei Trasporti:
http://www.infrastrutturetrasporti.it
122

Ammegna PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Ammegna PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Università degli Studi di Napoli

Life-Cycle Cost Analysis di una

Tesi di Laurea di: Relatore:

Anno Accademico 2005-2006

1 Affidabilità strutturale: teoria e modelli 3

2 Modelli di manutenzione nel ciclo di vita delle strutture. 36

3 Calcolo del profilo dell’indice di affidabilità per una soletta

4 Analisi del ciclo di vita per una soletta da ponte in c.a. 92

Eccoci arrivati alla fine (o principio?) di un percorso della vita agognato e

Questo lavoro di tesi affronta l’analisi dell’affidabilità strutturale, per una

utilizzata l’analisi dell’affidabilità strutturale partendo dalle seguenti ipotesi

• resistenza e sollecitazione sono variabili aleatorie;

• criterio di collasso per flessione;

• indice di affidabilità calcolato col Metodo di Cornell;

• degrado strutturale uniforme delle barre d’acciaio dovuto all’attaco da

La valutazione dell’indice di affidabilità strutturale β all’istante di vita t =

Siccome la struttura degrada nel tempo, anche la sua capacità portante

flessionale sarà compromessa dalla progressiva riduzione dell’area delle barre

tazione dell’affidabilità strutturale non può esaurirsi al tempo t = 0, ma

sono utilizzate tecniche di stima e valutazione su base probabilistica; la com-

• variazione nel tempo dell’area dei ferri;

• variazione nel tempo del Momento Ultimo;

• individuazione del profilo dell’indice β;

• individuazione del profilo delle probabilità di collasso.

L’evoluzione (profilo) nel tempo dell’indice di affidabilità è la base per svi-

ponte. Tale progetto di manutenzione contiene una strategia di ispezione e ri-

parazione straordinaria, capace di minimizzare i costi attesi ad essa connessi.

• vita utile della struttura pari a 75 anni;

• tasso di interesse costante nel tempo;

• non sempre all’atto dell’ispezione segue un’attività di riparazione.

Affidabilità strutturale: teoria e

1.1 Approccio deterministico

Il primo approccio non empirico nella definizione della sicurezza struttu-

progettate. Il principio di sicurezza consiste nel verificare che la massima

tensione calcolata nella sezione maggiormente sollecitata della struttura, nel-

ammissibile. Questa tensione di riferimento viene derivata dalla tensione di

dove S è la tensione applicata, Rf è la tensione di rottura del materiale e γ è il

coefficiente di sicurezza. I problemi connessi all’utilizzo di questo metodo per

la verifica della sicurezza strutturale sono vari: in primo luogo la difficoltà

di definire una misura, γ , adeguata specialmente nella valutazione delle

luogo la necessità di individuare grandezze da confrontare che esprimano

realmente il problema della sicurezza; infine l’eccessiva semplificazione del

plasticizzazione, l’instabilità, etc.

1.2 Approccio probabilistico

A causa dei problemi e delle incertezze legate al metodo delle tensioni

bilistici. Attraverso un approccio probabilistico sia la sollecitazione S agente

aleatorie, che descrivono l’incertezza intrinseca in tali grandezze dipendenti

Possiamo quindi definire la probabilità di rottura come la probabilità che la

disuguaglianza critica sia violata o meno:

Pf ail = P r[S > R] (1.3)

Psucc = 1 − Pf ail = P r[S ≤ R] (1.4)

Le suddette probabilità possono essere espresse come la probabilità che in

uno spazio di variabili aleatorie, un punto X , che rappresenta i parametri

significativi di input e di sistema, si trovi nel dominio di rottura F (Failure

In tale notazione si è indicati con fX (x) la funzione di densità di probabilità

multivariata del vettore X = {X1 , . . . , Xn } dove Xn sono variabili aleatorie

semplici che possono descrivere i carichi, le dimensioni, le caratteristiche dei

Inoltre si può definire una funzione G = G(x) detta funzione di prestazione

G(x) > 0 ⇒ Successo

G(x) < 0 ⇒ Rottura

Facendo riferimento a due variabili casuali R e S (Resistenza e Sollecitazione)

tale funzione di prestazione è semplicemente definita dalla:

Avendo quindi introdotto la G(R, S) l’integrale 1.5 assume la seguente forma: