Il progetto Grisciano e il pannello automonitorante: innovazione tecnologica nella ricostruzione post-sisma

Il Progetto Grisciano, situato nell’Appennino centrale colpito dal sisma del 2016, rappresenta un paradigma innovativo nella ricostruzione edilizia post-sismica. Attraverso l’impiego di pannelli strutturali automonitoranti dotati di sensori in fibra ottica FBG (Fiber Bragg Grating), il sistema consente il monitoraggio in tempo reale del comportamento strutturale. L’integrazione di tecnologie di rinforzo compatibili con il patrimonio storico, il monitoraggio satellitare interferometrico (InSAR) e l’elaborazione predittiva dei dati, in collaborazione con Roma Tre, UNICAL ed ENEA, configura un modello replicabile per la resilienza strutturale e la manutenzione intelligente.

Introduzione

La sicurezza delle opere di ingegneria civile, specialmente in aree sismiche, impone l’adozione di approcci integrati in grado di coniugare robustezza strutturale e tecnologie intelligenti.

Il Progetto Grisciano, che interessa il recupero strutturale della Chiesa di Sant’Agata e della canonica nel comune di Accumoli (RI), incarna questa visione attraverso l’impiego di materiali innovativi e sistemi di monitoraggio avanzati integrati in un digital twin strutturale.

Materiali e Metodi

L’intervento adotta tecnologie di rinforzo CRM (Composite Reinforced Mortar), costituite da reti in fibra di vetro AR (GFRP) con appretto termoindurente e malte a base di calce idraulica naturale. Tali materiali, testati su tavola vibrante presso l’Università Roma Tre, risultano compatibili con le murature storiche e gli apparati decorativi, assicurando un rinforzo efficace e non invasivo.

Sistema di Monitoraggio Strutturale

I sensori a fibra ottica FBG sono integrati nella rete del CRM per la rilevazione continua delle deformazioni locali. Questa soluzione consente di individuare precocemente danni strutturali, ottimizzando la manutenzione. In parallelo, viene impiegata l’interferometria radar satellitare (PSI-InSAR) per il monitoraggio degli spostamenti globali, con risoluzione millimetrica e copertura spaziale estesa.

Integrazione Dati e Digital Twin

I dati raccolti da sensori FBG e PSI confluiscono in un sistema di gestione intelligente, con modelli predittivi basati su AI e piattaforme IoT. Tale approccio consente un controllo continuo e adattivo del comportamento strutturale.

Il digital twin rappresenta una replica virtuale della struttura reale, utile per la simulazione di scenari di rischio e la pianificazione manutentiva.

Risultati Attesi e Replicabilità

Il sistema è concepito per ridurre i costi di manutenzione, aumentare la resilienza e costituire un modello replicabile per la ricostruzione post-sismica di edifici storici e civili.La validazione scientifica è garantita dalla collaborazione con l’Università Roma Tre, l’Università della Calabria e l’ENEA.

Conclusioni

Il Progetto Grisciano rappresenta un benchmark per l’integrazione tra ingegneria strutturale e tecnologie digitali. La combinazione tra materiali compatibili, monitoraggio continuo e modelli predittivi configura una nuova frontiera per l’edilizia intelligente e resiliente.

Autori dell’articolo:

• Aurora Ammoscato, Andrea Dell’Erba, Diego Dell’Erba: Ingegneria Integrata di Ing. Diego Dell’Erba
• Stefano De Santis: Università Roma3 – Professore Dipartimento di Ingegneria civile, informatica e delle tecnologie aeronautiche
• Michele Caponero: ENEA – Direttore Laboratorio di Fisica Nucleare e Laboratorio di Micro e Nanostrutture per la Fotonica
• Giacinto Porco: Università della Calabria, Cosenza, Professore Scienza delle Costruzioni, Dipartimento di Ingegneria Civile
• Arturo De Santis: Comandante del 10° Reparto Infrastrutture di Napoli Esercito, Ministero della Difesa

Riferimenti bibliografici

• Grieves, M. (2014). *Digital Twin: Manufacturing Excellence through Virtual Factory Replication*. Florida Institute of Technology.
• Tao, F., Zhang, M., Liu, Y., & Nee, A. Y. C. (2019). Digital Twin in Industry: State-of-the-Art. *IEEE Transactions on Industrial Informatics*, 15(4), 2405–2415.
• McKinsey & Company. (2021). *The Role of AI in Predictive Maintenance and Smart Infrastructure*.
• Pieraccini, M., Fratini, M., Parrini, F., & Atzeni, C. (2004). Static and dynamic monitoring of structures using a high-speed coherent radar. *IEEE Transactions on Geoscience and Remote Sensing*, 42(8), 1648–1655.
• Rodrigues, F., Ribeiro, B., & Oliveira, E. (2021). Artificial Intelligence-Based Structural Health Monitoring: Challenges and Opportunities. *Journal of Structural Engineering*, 147(12), 04021201.
• Soga, K., Luo, L., Hasiotis, P., & Meijer, S. (2018). Advances in Sensor Technologies in the Era of Smart Infrastructure. *Journal of Infrastructure Systems*, 24(3), 04018025.
• *BIM Handbook* (2018). A Guide to Building Information Modeling. Wiley, 3rd Edition.
• ESA – European Space Agency. (2022). Advances in Satellite-Based Structural Health Monitoring: The Role of Radar Interferometry.
• Dell’Erba, D., & Sismlab S.r.l. (2024). *Costruzioni Edilizie Sicure – Palazzo Mannetti*. Università della Calabria.
• Ammoscato, A., Dell’Erba, A., & Dell’Erba, D. (2024). *Innovazione e Tecnologie per un Futuro Sostenibile*. Studio di Ingegneria Integrata.
• ENEA. (2023). *Sistemi di Monitoraggio Strutturale Avanzati: Applicazioni e Prospettive*.
• Ministero delle Infrastrutture e dei Trasporti. (2023). *Normative per la Sicurezza Strutturale e la Manutenzione Edilizia*.