⚡ electrical engineering

Modal Decomposition and Identification for a Population of Structures Using Physics-Informed Graph Neural Networks and Transformers

تقترح هذه الدراسة إطار عمل جديداً للتعلم العميق غير الخاضع للإشراف، يدمج الشبكات العصبية الرسومية والمحولات مع دالة فقدان مستندة إلى الفيزياء لتفكيك الاستجابات الديناميكية الهيكلية بدقة وتحديد الخصائص النمطية عبر مجموعة من الهياكل دون الحاجة إلى بيانات مصنفة.

المؤلفون الأصليون: Xudong Jian, Kiran Bacsa, Gregory Duthé, Eleni Chatzi

نُشر 2026-04-22

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xudong Jian, Kiran Bacsa, Gregory Duthé, Eleni Chatzi

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك طبيب يحاول تشخيص حالة مريض. في عالم الهندسة المدنية، "المرضى" هم الجسور، وناطحات السحاب، وتوربينات الرياح. وللحفاظ على سلامتها، يحتاج المهندسون إلى الاستماع إلى كيفية "اهتزازها" أو "غنائها" عندما تهب الرياح أو تمر السيارات فوقها. هذا الغناء يسمى التحديد النمطي (Modal Identification).

ومع ذلك، فإن الاستماع إلى جسر ضخم أمر صعب. لا يمكنك وضع ميكروفون على كل مسمار (فهذا مكلف للغاية)، كما أن "الأغنية" غالبًا ما تكون مزيجًا فوضويًا من العديد من النغمات المختلفة التي تُعزف في وقت واحد.

تقدم هذه الورقة البحثية "طبيب ذكاء اصطناعي" جديدًا فائق الذكاء، يمكنه الاستماع إلى عدد قليل من الميكروفونات، وفهم الأغنية بأكملة، وإخبارك بدقة أي النغمات سليمة وأيها قد يكون معطلًا. إليك كيف يعمل ذلك، مقسمًا إلى مفاهيم بسيطة:

1. المشكلة: "الجوقة الفوضوية"

تخيل جوقة موسيقية ضخمة (الجسر) تغني أغنية معقدة.

المشكلة: لديك ميكروفونات على عدد قليل فقط من المغنيين (مستشعرات متفرقة).
الضجيج: الرياح وحركة المرور تصرخ فوق أصواتهم.
المزيج: الأغنية هي مزيج مشوش من أصوات مختلفة (أنماط) تغني معًا. تحاول الطرق التقليدية فك هذا التشابك، لكنها غالبًا ما ترتبك، خاصة إذا لم تكن قد رأت تلك الجوقة المحددة من قبل.

2. الحل: فريق من المتخصصين في الذكاء الاصطناعي

بنى المؤلفون نظام ذكاء اصطناعي جديدًا يعمل كفريق من ثلاثة متخصصين يعملون معًا:

المتخصص (أ): "قارئ الخرائط" (الشبكات العصبية الرسومية - Graph Neural Networks)

التشبيه: تخيل أن لديك خريطة لمدينة، لكنك تعرف فقط تدفق حركة المرور في بعض الشوارع الرئيسية. قد يتوه الكمبيوتر العادي. أما هذا المتخصص، فهو يفهم شكل المدينة؛ فهو يعرف أنه إذا كان شارع ما يتصل بavenue مزدحم، فمن المرجح أن تكون حركة المرور هناك مرتبطة به.
ماذا يفعل: ينظر إلى الشكل الفيزيائي للجسر (الرسم البياني/الغراف) ويستخدم المستشعات القليلة التي لديك لـ "ملء الفراغات". إنه يتنبأ بكيفية ظهور الاهتزاز في أجزاء الجسر التي لا تملك فيها مستشعرات. إنه يحول اللغز الناقص إلى صورة كاملة.

المتخصص (ب): "المايسترو" (المحولات - Transformers)

التشبيه: تخيل أن الجوقة تغني جلسة عزف عشوائية فوضوية. يتدخل المايسترو ويقول: "توقفوا! دعونا نفصل الأصوات".
ماذا يفعل: اهتزاز الجسر هو مزيج من العديد من "النغمات" (الترددات) المختلفة التي تحدث في وقت واحد. يستخدم هذا المتخصص آلية انتباه قوية للاستماع إلى الإشارة الفوضوية وفصلها إلى نغمات فردية نقية (أنماط درجة واحدة من الحرية). إنه يعزل "القرار" عن "السوبرانو" حتى تتمكن من تحليل كل منهما على حدة.

المتخصص (ج): "محقق الفيزياء" (الخسارة المستندة إلى الفيزياء - Physics-Informed Loss)

التشبيه: عادةً، لتدريب طالب، تعطيه اختبارًا مع الإجابات (بيانات مصنفة). لكن في الحياة الواقعية، ليس لديك الإجابات! أنت لا تعرف الاهتزاز الحقيقي للجسر حتى تقيسه بالفعل.
ماذا يفعل: بدلًا من الحاجة إلى نموذج إجابة، يعلم هذا المتخصص الذكاء الاصطناعي باستخدام قواعد الفيزياء. يقول للذكاء الاصطناعي: "مهلًا، النغمات المختلفة في الجوقة لا ينبغي أن تتداخل مع بعضها البعض؛ بل يجب أن تكون مستقلة". إذا حاول الذكاء الاصطناعي خلط النغمات، يقول المحقق: "لا، هذا يكسر قوانين الفيزياء!". وهذا يسمح للذكاء الاصطناعي بالتعلم بشكل مثالي دون أن يرى "الإجابة الصحيحة" مسبقًا.

3. قوة "المجتمع" الخارقة

معظم نماذج الذكاء الاصطناعي تشبه طالبًا يدرس جسرًا واحدًا محددًا ويفشل عندما يرى جسرًا آخر مختلفًا قليلاً.

الابتكار: يتم تدريب هذا الذكاء الاصطناعي على مجتمع من الجسور. إنه يتعلم "قواعد غناء الجسور" العامة بدلاً من حفظ جسر معين.
النتيجة: بمجرد تدريبه، يمكنه الوقوف أمام جسر جديد لم يره من قبل، والاستماع إلى عدد قليل من المستشعرات، والبدء فورًا في تشخيصه. إنه مثل الطبيب الذي يتعلم التشريح العام ويمكنه علاج أي مريض، وليس فقط أولئك الذين تدرب عليهم.

4. لماذا يعد هذا أمرًا مهمًا جدًا؟

لا حاجة لتصنيفات: لا يحتاج إلى بيانات مكلفة مقاسة مسبقًا ليتعلم. إنه يتعلم من خلال فهم الفيزياء.
يملأ الفجوات: يمكنه إعادة بناء اهتزاز الجسر بالكامل حتى لو كان لديك مستشعرات على 18% منه فقط.
أفضل من الطرق القديمة: اختبرت الورقة هذا النموذج مقابل الطرق التقليدية (مثل EFDD و SSI). كان الذكاء الاصطناعي أفضل في إيجاد "النغمات العالية" (الاهتزازات المعقدة) وكان أكثر دقة في تحديد شكل الاهتزازات، خاصة عندما كانت البيانات فوضوية أو غير مكتملة.
جاهز للعالم الحقيقي: اختبروه على جسر حقيقي مصغر مدعوم بالكابلات في مختبر مع أنواع مختلفة من "حركة المرور" (أوزان تُسحب وسيارات لعبة تتحرك)، وقد عمل بشكل رائع.

العقبة (القيود)

الذكاء الاصطناعي حاليًا بطيء نوعًا ما في "الدراسة" (التدريب) لأنه يقوم بالكثير من العمليات الحسابية. إنه مثل طالب عبقري يستغرق وقتًا طويلًا في الدراسة لاختبار ما، لكنه يحل الاختبار بشكل مثالي. بمجرد تدريبه، يصبح سريعًا، لكن التدريب الأولي يستغرق وقتًا. أيضًا، بينما هو بارع في التعميم على جسور جديدة، فإنه لا يزال بحاجة إلى القليل من إعادة التعلم إذا كان الجسر الجديد مختلفًا جداً أو إذا كانت "حركة المرور" (الاستثارة) فوضوية للغاية.

الملخص

تقدم هذه الورقة البحثية "طبيب ذكاء اصطناعي" جديد للجسور. يستخدم قارئ خرائط لتخمين البيانات المفقودة، ومايسترو لفصل الاهتزازات المختلطة، ومحقق فيزياء لضمان منطقية النتائج دون الحاجة إلى نموذج إجابة. إنها طريقة أذكى وأكثر مرونة للحفاظ على سلامة وصحة بنيتنا التحتية.

ملخص تقني لورقة بحثية بعنوان: "تفكيك وتحديد الأنماط لمجموعة من المنشآت باستخدام الشبكات العصبية الرسومية المستوحاة من الفيزياء والمحولات"

1. بيان المشكلة

تتناول الورقة تحديات حرجة في مراقبة الحالة الإنشائية (SHM) والتحليل النمطي التشغيلي (OMA)، وتحديداً في سياق مراقبة الحالة الإنشائية القائمة على المجموعات (PBSHM). وتتمثل المشكلات الجوهرية المحددة فيما يلي:

ندرة وتشتت البيانات: في السيناريوهات الواقعية، غالباً ما تكون المستشعرات محدودة، حيث توفر قياسات لجزء بسيط فقط من عقد المنشأ ( $M \ll N$ )، بينما يتطلب الأمر أشكال أنماط كاملة المجال.
نقص البيانات المصنفة: تتطلب التعلم العميق التقليدي الخاضع للإشراف بيانات مرجعية (Ground-truth) مصنفة للبارامترات النمطية (الترددات، التخميد، أشكال الأنماط)، وهي بيانات نادرة التوافر في الظروف التشغيلية.
التعميم: تواجه الطرق الحالية صعوبة في التعميم عبر مجموعة من المنشآت ذات الهندسات، الطوبولوجيا، والخصائص المادية المتنوعة.
فصل الأنماط: تعاني الطرق التقليدية (مثل FDD و SSI) غالباً من خلط الأنماط، وتأثيرات النهايات، وصعوبة فصل استجابات درجات الحرية المتعددة (MDOF) المعقدة إلى استجابات درجة حرية واحدة (SDOF) دون قيود فيزيائية.

الهدف هو تطوير إطار عمل يمكنه تفكيك القياسات الديناميكية المتشتتة وغير المصنفة إلى استجابات نمطية (SDOF) وتحديد الخصائص النمطية (الترددات، التخميد، أشكال الأنماط) لمجموعة متنوعة من المنشآت دون الحاجة إلى بيانات مصنفة مسبقة.

2. المنهجية

يدمج الإطار المقترح الشبكات العصبية الرسومية (GNNs)، والمحولات (Transformers)، والتعلم المستوحى من الفيزياء في مسار عمل موحد غير خاضع للإشراف.

أ. انتشار الميزات (FP) لإعادة بناء المجال الكامل

لمعالجة بيانات المستشعرات المتشتتة، يستخدم المؤلفون خوارزمية انتشار الميزات.

المدخلات: بيانات تسارع متفرقة من مجموعة فرعية من العقد وطوبولوجيا المنشأ (مصفوفة التجاور).
العملية: تقوم الخوارج بتمرير القياسات المعروفة بشكل تكراري إلى العقد غير المعروفة بناءً على الاتصال الرسومي.
المخرجات: بيانات ديناميكية معاد بناؤها للمجال الكامل ( $\tilde{\mathbf{X}}$ ) لجميع العقد $N$ ، مما يمكّن النموذج من التعلم من بيانات مكانية كاملة رغم المدخلات المتفرقة.

ب. بنية التعلم العميق

تتكون البنية الأساسية للنموذج من ثلاث كتل متميزة مصممة للتعامل مع البيانات ذات الهيكل الرسومي والزمني:

GraphSAGE (GNN): يعالج بيانات المجال الكامل المعاد بناؤها. يتعامل مع المنشأ كرسم بياني (Graph) حيث العقد هي الوصلات والحواف هي العناصر. تقوم GraphSAGE بتجميع معلومات الجيران لاستخراج الميزات المكانية، مما يسمح بالتعامل مع عدد العقد والطوبولوجيا المتغيرة المتأصلة في مجموعة من المنشآت.
Set Transformer: يحول الميزات المكانية من GraphSAGE إلى استجابات نمطية (SDOF) في النطاق الزمني ( $\hat{\mathbf{Q}}$ ). بخلاف المحولات القياسية، يتميز Set Transformer بكونه غير اعتماد على الترتيب (Permutation-invariant)، مما يجعله مناسباً للمهام على مستوى الرسم البياني حيث يختلف عدد العقد.
الشبكة العصبية متعددة الطبقات (MLP): تقوم بإسقاط الميزات المخفية مرة أخرى إلى مستوى العقد للتنبؤ بـ أشكال الأنماط ( $\hat{\mathbf{\Phi}}$ ) لجميع عقد المنشأ.

ج. دالة الخسارة المستوحاة من الفيزياء

بما أنه لا توجد بيانات مصنفة، يتم تدريب النموذج باستخدام دالة خسارة غير خاضعة للإشراف ومستوحاة من الفيزياء ( $\mathcal{L}$ ) تتكون من ثلاثة حدود:

خسارة إعادة البناء: تقلل من متوسط مربع الخطأ (MSE) بين البيانات المعاد بناؤها وتراكب أشكال الأنماط والاستجابات المتوقعة ( $\hat{\mathbf{\Phi}} \cdot \hat{\mathbf{Q}} \approx \tilde{\mathbf{X}}$ ).
الاستقلالية في النطاق الزمني: تفرض أن تكون الاستجابات في النطاق الزمني للأنماط المختلفة غير مترابطة (متعامدة). يتم معاقبة مصفوفة الارتباط لـ $\hat{\mathbf{Q}}$ إذا انحرفت عن مصفوفة الوحدة.
الاستقلالية في نطاق التردد: تفرض أن تكون أطياف التردد (عبر FFT) للأنماط المختلفة متميزة. يتم معاقبة مصفوفة الارتباط لأطياف السعة لضمان عدم تداخل الأنماط في التردد.

بمجرد التدريب، يتم استخراج الترددات الطبيعية ونسب التخميد من الاستجابات المتوقعة (SDOF) باستخدام تقنيات قياسية مثل كثافة الطيف القدرتي (PSD) وتقنية التناقص العشوائي (RDT).

3. المساهمات الرئيسية

بنية مبتكرة: دمج GraphSAGE و Set Transformers للتعامل في آن واحد مع طوبولوجيا المنشأ (مكانياً) والاستجابات الديناميكية (زمانياً) لمجموعة من المنشآت.
تدريب خالٍ من التصنيف: دالة خسارة مستوحاة من الفيزياء تلغي الحاجة إلى بيانات مرجعية مصنفة للبارامترات النمطية، معتمدة فقط على المبادئ الفيزيائية لتفكيك الأنماط واستقلالية الأنماط.
إعادة البناء من المتفرق إلى الكامل: آلية انتشار الميزات التي تستفيد من طوبولوجيا المنشأ لإعادة بناء أشكال الأنماط كاملة المجال من بيانات مستشعرات متفرقة، مما يتغلب على عائق رئيسي في مراقبة الحالة الإنشائية التقليدية.
التعميم على المجموعات: إطار عمل قادر على التعلم من مجموعة تدريبية من المنشآت وتطبيق تفكيك الأنماط على منشآت غير مرئية ضمن نفس المجموعة، حتى تحت ظروف تحميل متغيرة.

4. النتائج التجريبية

تم التحقق من صحة الطريقة من خلال محاكاة عددية على مجموعة غير متجانسة من الجمالونات (Trusses) وتجارب مختبرية على جسر مدعوم بالكوابل بمقياس مصغر.

التجارب العددية (مجموعة جمالونات)

الأداء: نجح النموذج في تفكيك استجابات MDOF إلى أنماط SDOF وتحديد الترددات الطبيعية ونسب التخميد.
المقارنة: بالمقارنة مع تفكيك مجال التردد المحسن (EFDD) وتحديد الفضاء الجزئي العشوائي (SSI):
- الدقة: دقة مماثلة للأنماط منخفضة الرتبة والترددات/التخميد.
- الأنماط عالية الرتبة: أداء متفوق بشكل ملحوظ في تحديد أشكال الأنماط عالية الرتبة (قيم MAC أعلى) لأن النموذج يستخدم طوبولوجيا المنشأ، بينما تعتمد طرق EFDD/SSI على الاستكمال (Interpolation).
- الكفاءة: بينما يكون التدريب مكلفاً حوسبياً، فإن الاستدلال (Inference) سريع. يوفر النموذج قدرة فريدة على فصل استجابات الأنماط الفردية، وهو ما لا تستطيع طرق EFDD/SSI القيام به مباشرة.
دراسة الاستئصال (Ablation Study): أدى إزالة GNN أو Transformer أو القيود المستوحاة من الفيزياء إلى تدهور كبير في الأداء، مما يؤكد ضرورة كل مكون.

التجارب المختبرية (جسر مدعوم بالكوابل)

الإعداد: شملت الاختبارات سيناريوهات "السحب والتحرير" (الاضمحلال الحر) و"حمل المركبات" (الاهتزاز القسري).
النتائج:
- حقق النموذج دقة عالية (MAC > 0.95) للنمطين 1 و 2 في معظم الاختبارات.
- كان الأداء قوياً في اهتزازات الاضمحلال الحر، لكنه أظهر قدرة محدودة على التعميم في حالات الأحمال المعقدة وغير المستقرة (الاختبار 10)، مما يسلط الضوء على القيود الحالية في التعامل مع الإثارات شديدة التعقيد دون إعادة تدريب.
- تفوق على طريقة SSI في استقرار تقدير نسبة التخميد وطابق طريقة EFFF في تقدير التردد.

5. الأهمية والقيود

الأهمية:

القابلية للتطبيق العملي: من خلال إلغاء الحاجة إلى بيانات مصنفة والتعامل مع المستشعرات المتفرقة، تعد الطريقة قابلة للتطبيق بشكل كبير في عمليات OMA الواقعية حيث تكون الحقيقة الأرضية (Ground truth) مجهولة.
النهج القائم على المجموعات: تعزز هذه الدراسة مجال PBSHM من خلال إثبات أن نماذج التعلم العميق يمكن أن تعمم عبر مجموعات المنشآت، وليس فقط المنشآت الفردية.
فصل الأنماط: على عكس الطرق التقليدية التي توفر بارامترات نمطية عالمية، يقدم هذا النهج تفكيكاً صريحاً للإشارة إلى استجابات زمنية (SDOF) فردية، مما يوفر رؤى أعمق للتحكم في الاهتزازات وكشف الأضرار.

القيود:

التعميم على منشآت جديدة: بينما يعمم النموذج جيداً على قياسات جديدة لنفس المنشأ أو الطوبولوجيا المماثلة، فإن قدرته على التعميم على هندسات إنشائية مختلفة تماماً دون إعادة تدريب محدودة.
الإثارات المعقدة: يتراجع الأداء تحت تأثير الإثارات المعقدة وغير المستقرة (مثل أحمال المركبات المتحركة) مقارنة باهتزازات الاضمحلال الحر البسيطة.
وقت الحوسبة: مرحلة التدريب مكلفة حوسبياً مقارنة بالطرق الكلاسيكية، وإن كان الاستدلال سريعاً.

الخلاصة:
تقدم هذه الورقة إطار عمل قوياً للتعلم العميق المستوحى من الفيزياء، يجسّر الفجوة بين الطرق القائمة على البيانات والديناميكا الإنشائية الفيزيائية. إنها تقدم حلاً قابلاً للتوسع لتحديد الأنماط في مجموعات المنشآت، مما يعالج بفعالية مشكلات البيانات المتفرقة والسيناريوهات غير المصنفة، مما يمثل خطوة هامة نحو أتمتة مراقبة الحالة الإنشائية.