Structural Health Monitoring and Damage Prediction in Pipelines: A Combined Experimental, Numerical, and AI-Based Approach

Ensuring the structural integrity of pipelines and composite systems under complex loading conditions is a critical challenge in modern engineering. Conventional inspection and repair methods, while valuable, often fall short of achieving high accuracy in predicting damage initiation and progression. This has motivated the integration of experimental techniques, numerical modeling, and artificial intelligence (AI)– based optimization approaches to develop more reliable tools for damage detection, repair design, and structural health monitoring. This study presents a comprehensive investigation that combines modal analysis, finite-element simulations, and advanced predictive models to evaluate damage behavior in composite and metallic structures. First, a modal analysis of Glass Fiber Reinforced Polymer (GFRP) pipes subjected to varying pressure and frequency loads is carried out, supported by predictive modeling using the Kolmogorov Arnold Model (KAM). The work then extends to the design of composite patches for damaged steel pipes, where hybrid optimization techniques – YUKI-RANDOM-FOREST, PSO-YUKI, and BCMO – are applied alongside artificial neural networks (ANN) to predict stress concentration and enhance patch performance. Additionally, the influence of notches on API X70 steel is investigated through experiments and GTN-based finite-element models, with predictive optimization conducted using the NN-YUKI, NN-JAYA, and NN-EJAYA algorithms. Finally, an improved ANN model that integrates AOA, BCMO, and Jaya algorithms is proposed to predict damage percentages caused by stress concentrators, such as holes and gaps. The results across all studies confirm the strong correlation between experimental, numerical, and AI-based predictions, highlighting the effectiveness of hybrid methodologies in capturing complex damage mechanisms. By bridging classical mechanics with data-driven intelligence, this work provides novel insights into damage prediction, repair design, and stress concentration analysis, and offers practical solutions to improve the reliability and safety of structural components in critical engineering applications.

Garantire l'integrità strutturale di condotte e sistemi compositi in condizioni di carico complesse rappresenta una sfida critica nell'ingegneria moderna. I metodi convenzionali di ispezione e riparazione, pur essendo validi, spesso non riescono a prevedere con elevata precisione l'inizio e la progressione del danno. Ciò ha spinto a integrare tecniche sperimentali, la modellazione numerica e approcci di ottimizzazione basati sull'intelligenza artificiale (IA) per fornire strumenti più affidabili per il rilevamento dei danni, la progettazione delle riparazioni e il monitoraggio dello stato di salute strutturale. Questo studio presenta un'indagine completa che combina analisi modale, simulazioni con elementi finiti e modelli predittivi avanzati per valutare il comportamento del danno in strutture composite e metalliche. In primo luogo, viene eseguita un'analisi modale delle tubazioni in polimero rinforzato con fibra di vetro (GFRP) sottoposte a carichi di pressione e frequenza variabili, supportata da una modellazione predittiva basata sul modello di Kolmogorov-Arnold (KAM). Il lavoro si estende poi alla progettazione di patch composite per tubazioni in acciaio danneggiate, in cui si applicano tecniche di ottimizzazione ibride – YUKI-RANDOM-FOREST, PSO-YUKI e BCMO – insieme a reti neurali artificiali (ANN) per prevedere la distribuzione delle sollecitazioni e migliorare le prestazioni delle patch. Inoltre, l'influenza degli intagli sull'acciaio API X70 viene esaminata mediante esperimenti e modelli a elementi finiti basati su GTN, con un'ottimizzazione predittiva condotta tramite algoritmi NN-YUKI, NN-JAYA e NN-EJAYA. Infine, viene proposto un modello ANN migliorato che integra gli algoritmi AOA, BCMO e Jaya per prevedere le percentuali di danno causate da concentratori di stress, come fori e fessure. I risultati di tutti gli studi confermano la forte correlazione tra le previsioni sperimentali, numeriche e basate sull'intelligenza artificiale, evidenziando l'efficacia delle metodologie ibride nell'identificazione di meccanismi di danno complessi. Unendo la meccanica classica a tecniche di intelligenza artificiale basate sui dati, questo lavoro fornisce nuove informazioni sulla previsione del danno, sulla progettazione delle riparazioni e sull'analisi della concentrazione di stress, offrendo soluzioni pratiche per migliorare l'affidabilità e la sicurezza dei componenti strutturali in applicazioni ingegneristiche critiche.