Inverse Reconstruction of Shock Time Series from Shock Response Spectrum Curves using Machine Learning

إليك ملخص تقني مفصل للورقة البحثية بعنوان "إعادة البناء العكسي للسلاسل الزمنية للصدمات باستخدام منحنيات طيف استجابة الصدمة عبر التعلم الآلي."

1. بيان المشكلة

يُعد طيف استجابة الصدمة (SRS) أداة هندسية قياسية تُستخدم لتوصيف استجابة الأنظمة ذات الدرجة الواحدة (SDOF) للأحداث التسارعية العابرة (الصدمات). وهو يقوم برسم خريطة من إشارة تسارع في المجال الزمني، $\ddot{x}(t)$، إلى متجه من الاستجابات الذروية عبر نطاق من الترددات الطبيعية.

التحدي الجوهري:
إن عملية الربط من إشارة السلسلة الزمنية إلى طيف الاستجابة (SRS) هي عملية غير خطية ومتعددة لواحد (many-to-one). وهذا يعني أن عدداً لا نهائياً من السلاسل الزمنية المختلفة للتسارع يمكن أن تنتج نفس طيف الاستجابة (SRS) تماماً. وبناءً على ذلك، فإن مشكلة الإنعكاس — أي إعادة بناء سلسلة زمنية للتسارع قابلة للتحقيق فيزيائياً من طيف استجابة مستهدف (غالباً ما يكون غلافاً إحصائياً أو حدود تحمل) — هي مشكلة سيئة التحديد (ill-posed).

محدودية الطرق الحالية:
تعتمد الطرق التقليدية صياغة هذه المشكلة كمسألة تحسين، حيث تمثل الإشارة كمجموع من الجيوب التمام المتلاشية أسياً (SDS). وبينما تكون هذه الطرق فعالة في بعض الحالات، إلا أنها تعاني من:

• التكلفة الحسابية: تتطلب عملية تحسين تكرارية لكل طيف مستهدف جديد، مما يستغفي ثوانٍ إلى دقائق لكل عملية إعادة بناء.
• الاعتماد على الدوال الأساسية: هي مقيدة باختيار دوال أساسية، مما يحد من القدرة على إعادة إنتاج مورفولوجيا الصدمات المعقدة وغير الجيبية.
• نقص التنوع: عادة ما تقدم حلاً واحداً، في حين أن مسألة الإنعكاس تمتلك مجموعة من الحلول الصالحة.

2. المنهجية

يقترح المؤلفون إطار عمل المشفر التلقائي التبايني الشرطي (CVAE) لتعلم عملية ربط عكسية قائمة على البيانات من طيف الاستجابة (SRS) إلى السلسلة الزمنية للتسارع.

أ. توليد البيانات والمعالجة المسبقة

• البيانات الاصطناعية: للتغلب على نقص مجموعات البيانات الضخمة المصنفة، طور المؤلفون مولداً يعتمد على (PyTorch) يقوم بإنشاء 400,000 صدمة اصطناعية. يتم بناؤها عن طريق جمع تركيبات عشوائية من نوعين من القواعد: الجيوب التمام المتلاشية أسياً ونبضات تشبه "مورليه" الأسية.
• البيانات الحقيقية: تم دمج المجموعة الاصطناعية مع حوالي 100,000 تسجيل صدمة من العالم الحقيقي.
• عامل طيف الاستجابة (SRS Operator): تم استخدام عامل SRS قابل للتفاضل ومجمع (بناءً على مرشحات IIR الخاصة بمعيار ISO 18431-4) لحساب الأطياف المستهدفة.
• التطبيع (Normalization): يتم تحجيم قيم SRS لوغاريتمياً وإعادة وزنها حسب التردد لتكون مدخلات شرطية. كما يتم تطبيع بيانات السلسلة الزمنية بالنسبة لمقدار طيف الاستجابة (SRS).

ب. بنية النموذج (CVAE)

يتعلم النموذج رسم خريطة من متجه طيف الاستجابة المستهدف ($s$) إلى فضاء كامن ($z$)، ثم فك تشفيره إلى إشارة سلسلة زمنية ($\hat{x}$).

• المشفر (Encoder): يأخذ دمج إشارة السلسلة الزمنية ($x$) وتضمين طيف الاستجابة ($s$) ويضغطهما في توزيع غاوسي كامن (المتوسط $\mu$ والتباين $\sigma^2$).
• فك التشفير (Decoder): يأخذ متجهاً كامناً مأخوذ عينة ($z$) وتضمين طيف الاستجادة ($s$) لإعادة بناء إشارة المجال الزمني.
• الفضاء الكامن (Latent Space): تم تحديد البعد بـ 100، مما يسمح للنموذج بالتقاط التباين في استجابات الصدمات.

ج. دالة الخسارة (Loss Function)

هدف التدريب هو مجموع مرجح من خمسة حدود لضمان الدقة الطيفية والزمنية:

1. خسارة شكل الموجة ($L_{shape}$): تقيس الخطأ المربع الموزون بين موجات تسارع الـ SDOF المستهدفة والمتوقعة، وتحديداً حول الاستجابة الذروية. هذا يحافظ على مورفولوجيا الموجة المحلية بشكل أفضل من مجرد مطابقة القيم الذروية.
2. خسارة السلسلة الزمنية ($L_{TS}$): متوسط مربع الخطأ (MSE) القياسي بين إشارات السلسلة الزمنية الخام.
3. خسارة طيف الاستجابة ($L_{SRS}$): جذر متوسط مربع الخطأ اللوغاريتمي (RMSLE) بين طيف الاستجابة المستهدف وطيف الاستجابة للإشارة المولدة.
4. خسارة كثافة الطيف القدراتي (Welch PSD Loss): تضمن مطابقة كثافة الطيف القدراتي للإشارة المولدة للطيف المستهدف.
5. تباعد KL (KL Divergence): يعمل على تنظيم الفضاء الكامن ليتوافق مع توزيع غاوسي معياري مسبق.

3. المساهمات الرئيسية

1. إطار عمل CVAE لإنعكاس SRS: تقديم نموذج توليدي عميق يقوم برسم خريطة مباشرة من SRS إلى السلسلة الزمنية دون الحاجة لدوال أساسية صريحة، مما يلغي الحاجة للتحسين التكراري.
2. خط إنتاج بيانات اصطناعية قابل للتوسع: تطوير نظام معزز بوحدة معالجة الرسومات (GPU) لتوليد مئات الآلاف من العينات المزدوجة (سلسلة زمنية، SRS)، مما يعالج ندرة بيانات الاختبار في هذا المجال.
   টি 3. مجموعات بيانات مرجعية معيارية: إصدار أربع مجموعات بيانات مستقلة ($D_A$ إلى $D_D$) تضم صدمات تشغيلية حقيقية، وبيانات زلزالية، وبيانات اصطناعية لتمكين التقييم القابل للتكرار.
3. مقاييس تقييم مبتكرة: اقتراح إطار عمل مزدلي المقاييس:
   • RMSLE: للموافقة الطيفية العالمية.
   • خطأ الديسيبل لكل تردد (Per-Frequency dB Error): للدقة الطيفية الموضعية (للتحقق من حدود التحمل الهندسية مثل $\pm 3$ ديسيبل).

4. النتائج والأداء

تم تقييم CVAE مقابل طريقة "مجموع الجيوب التمام المتلاشية أسياً" (SDS) وطريقة (SDS مع الخوارزميات الجينية - SDS+GA) عبر أربع مجموعات بيانات مستقلة.

• الدقة:
  • حقق CVAE قيم RMSLE أقل بكثير من طريقة SDS الكلاسيكية عبر جميع مجموعات البيانات (على سبيل المثال، متوسط RMSLE بلغ 0.095 مقابل 0.206 لمجموعة البيانات A).
  • في المقارنات الثنائية، تفوق CVAE على SDS في 76% إلى 94% من حالات الاختبار الفردية.
  • خطأ لكل تردد: أنتج CAVE نسبة مئوية أعلى من نقاط التردد ضمن نطاقات التسامح $\pm 1$ ديسيبل و $\pm 3$ ديسيبل مقارنة بـ SDS.
• سرعة الاستنتاج (Inference Speed):
  • CVAE: حوالي 0.3 مللي ثانية لكل إعادة بناء.
  • SDS: حوالي 5–8 ثوانٍ.
  • SDS+GA: حوالي 20–30 دقيقة.
  • النهج القائم على التعلم الآلي أسرع بمقدار 3 إلى 6 مراتب عشرية من طرق التحسين.
• التعميم: نجح النموذج، الذي تدرب أساساً على بيانات اصطناعية، في التعميم على تسجيلات الصدمات الحقيقية والبيانات الزلزالية دون الحاجة لضبط دقيق (Fine-tuning).

5. الأهمية والتأثير

• الكفاءة: التخفيض الهائل في وقت الاستنتاج يجعل تخليق الصدمات في الوقت الفعلي أمراً ممكناً لتطبيقات مثل التحكم في طاولة الاهتزاز (Shaker Table) ومحاكاة مونت كارلو واسعة النطاق.
• المرونة: من خلال تعلم توزيع البيانات بدلاً من ملاءمة قاعدة ثابتة، يمكن للنموذج توليد إشارات صدمة متنوعة ومعقولة فيزيائياً تتوافق مع الأغلفة الإحصائية المعقدة (مثل حدود التحمل) والتي غالباً ما يستحيل إعادة بناؤها بالطرق التقليدية.
• التقنين: يوفر إصدار مجموعات البيانات المرجعية ومقاييس التقييم سداً للفجوة الحرجة في الأدبيات، مما يوفر أساساً للأبحاث المستقبلية في تخليق الصدمات والديناميكا العكسية.
• القيود والعمل المستقبلي: يقتصر النموذج الحالي على الإشارات ذات المدة الثابتة (~0.27 ثانية). يهدف العمل المستقبلي إلى تمديد أطوال التسلسل للتعامل مع أحداث الصدمات المتعددة واستكشاف مقدمات كامنة أكثر تعبيراً لزيادة تنوع الإشارات المولدة.

في الختام، تثبت هذه الورقة أن النمذجة التوليدية العميقة تعد بديلاً متفوقاً للتحسين التقليدي لمشكلة انعكاس SRS، حيث توفر مزيجاً من الدقة العالية، والتنوع الإحصائي، والسرعة الحسابية غير المسبوقة.