La ricerca GCF approda alla 9WCSCM

A Sheffield il monitoraggio dei giunti isolanti con la fibra ottica

La ricerca condotta da GCF - Generale Costruzioni Ferroviarie sul monitoraggio dell’infrastruttura ferroviaria approda alla 9th World Conference on Structural Control and Monitoring - 9WCSCM, in programma dal 19 al 22 luglio 2026 presso l’Università di Sheffield, nel Regno Unito. Al centro dell’appuntamento internazionale, infatti, sarà il contributo scientifico “A Field-Based Damage Index for Insulated Rail Joints Using FBG Extensometers”, sviluppato da GCF in collaborazione con il Dipartimento di Meccanica del Politecnico di Milano.

La 9WCSCM riunisce la comunità scientifica e industriale che opera nel campo del controllo e del monitoraggio strutturale, mettendo a confronto metodi, tecnologie e applicazioni sviluppati per le infrastrutture civili, i sistemi meccanici e i settori aerospaziale ed energetico.

Dai binari un indice dello stato di salute

Lo studio proposto da GCF riguarda i giunti isolanti incollati, componenti dell’armamento che assicurano la separazione elettrica tra differenti sezioni di binario, necessaria per il funzionamento dei circuiti di segnalamento.

Sottoposti nel tempo alle sollecitazioni prodotte dal passaggio dei convogli e alle variazioni delle condizioni operative e ambientali, i giunti possono essere interessati da fenomeni di degrado. Conoscerne il comportamento durante l’esercizio può contribuire a individuare condizioni anomale e a supportare la programmazione degli interventi manutentivi.

La metodologia adottata ha utilizzato estensimetri FBG – Fiber Bragg Grating, installati direttamente sulla rotaia, per misurare la risposta del giunto al passaggio dei treni. I dispositivi di misura fanno parte di COGI - Controllo Ottico dei Giunti Isolanti il sistema, oggi brevettato, sviluppato dal Dipartimento Ricerca e Sviluppo di GCF per il monitoraggio delle deformazioni dei giunti isolanti. I segnali acquisiti vengono elaborati per estrarre parametri sensibili alle condizioni strutturali del componente.

Dalla loro analisi è stato sviluppato un indice di danneggiamento che sintetizza le informazioni raccolte dal sistema e consente di riconoscere eventuali scostamenti rispetto al comportamento di riferimento.

La sperimentazione sul campo

L’elemento centrale dello studio è il suo carattere field-based. La metodologia è stata infatti sviluppata e verificata utilizzando dati acquisiti su giunti installati lungo una linea ferroviaria in esercizio, durante un periodo di monitoraggio prolungato.

L’impiego di misure raccolte direttamente sull’infrastruttura ha permesso di analizzare il comportamento dei giunti in presenza della variabilità associata al traffico ferroviario e alle condizioni operative reali. Un passaggio necessario per valutare l’applicabilità dell’indice al di fuori delle condizioni controllate di laboratorio.

«Il confronto alla 9WCSCM rappresenta un passaggio importante per il lavoro svolto – spiega Marco Cavaciuti, ingegnere del Dipartimento Ricerca e Sviluppo di GCF e dottorando del Politecnico di Milano – Lo studio parte dalle misure acquisite quotidianamente in linea e punta a trasformare questi dati in informazioni utili per valutare lo stato dei giunti isolanti e supportare le attività di manutenzione».

La collaborazione con il Dipartimento di Meccanica del Politecnico di Milano mette a sistema l’esperienza maturata da GCF sull’infrastruttura ferroviaria e nelle attività di monitoraggio in campo con le competenze scientifiche e metodologiche dell’Università.

La partecipazione alla 9WCSCM si inserisce nel percorso di ricerca avviato da GCF per sviluppare e validare sul campo sistemi di diagnostica capaci di fornire una conoscenza sempre più puntuale delle condizioni dell’infrastruttura ferroviaria. Un percorso recentemente sfociato, tra l'altro, nell'innovativo progetto “FUTURO - Fotonica per l’infrastrUtTUra ferROviaria” che, finanziato nell’ambito del bando Collabora&Innova della Regione Lombardia, promette di sviluppare per le linee ferroviarie un sistema di monitoraggio sicuro e di manutenzione predittiva basato su IA e Machine Learning.

{ampz:ampzshortcode}