🔬 applied physics

PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty

تقدم هذه الورقة PiGGO، وهو إطار عمل للنماذج التفاضلية العادية الرسومية الموجهة بالفيزياء والمدمجة مع مرشح كالمان الموسع، لتمكين الاستشعار الافتراضي عبر الإنترنت وتقدير الحالة بمتانة وإدراك لعدم اليقين للهياكل الديناميكية غير الخطية ذات النماذج المجهولة والتحسس المتفرق.

المؤلفون الأصليون: Marcus Haywood-Alexander, Gregory Duthé, Eleni Chatzi

نُشر 2026-04-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Marcus Haywood-Alexander, 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 تحاول فهم كيف يتأرجح جسر ضخم ومعقد بفعل الرياح. لديك مستشعرات (مثل مقاييس التسارع) مثبتة في أماكن قليلة فقط من الجسر، لكنك تحتاج إلى معرفة ما يحدث بالضبط في كل نقطة، بما في ذلك النقاط التي لا توجد بها مستشعرات. هذا ما يسمى بـ "الاستشعار الافتراضي" (Virtual Sensing).

المشكلة هي أن الجسور معقدة؛ فهي تنحني، وتلتوي، وتتفاعل بطرق غير خطية ومعقدة يصعب التنبؤ بها باستخدام الرياضيات البسيطة. بالإضافة إلى ذلك، فإن المستشعرات مليئة بالضجيج (البيانات المشوشة)، وغالبًا ما لا نعرف الوزن أو الصلابة الدقيقة لكل عارضة.

يقدم هذا البحث أداة جديدة تسمى PiGGO (الشبكة العصبية الرسومية الموجهة بالفيزياء - Physics-Guided Graph Neural ODE) لحل هذه المشكلة. وإليك كيف تعمل، مقسمة إلى مفاهيم بسيطة:

1. الخريطة: التفكير في شكل الرسوم البيانية (Graphs)

بدلاً من التعامل مع الجسر ككتلة بيانات ضخمة ومربكة، يرى PiGGO الجسر كـ خريطة من الاتصالات (رسم بياني):

العُقد (Nodes): الوصلات أو النقاط على الجسر.
الحواف (Edges): العوارض أو الكابلات التي تربط بينها.
التشبيه: تخيل شبكة عنكبوت. إذا سحبت خيطاً واحداً، فإن الشبكة بأكملها تهتز. يفهم PiGGO أن الاهتزاز في نقطة ما يعتمد كلياً على جيرانها. وهو يستخدم "شبكة عصبية رسومية" لتعلم كيف تتواصل هذه الاتصالات مع بعضها البعض.

2. المعلم: الفيزياء كمرشد

التعلم الحاسوبي الصرف (الذكاء الاصطناعي) يشبه طالباً لم يرَ جسراً من قبل؛ فهو يحاول تخمين الإجابة من خلال النظر إلى بعض الأمثلة. إذا تغير الجسر قليلاً، يصاب الطالب بالارتباك.
أما الفيزياء الصرفة فهي تشبه معلماً صارماً يعرف القواعد تماماً، لكنه يشعر بالإحباط إذا لم يتطابق العالم الحقيقي مع الكتاب المدرسي بدقة (بسبب الشقوق غير المعروفة أو عيوب المواد).

PiGG0 هو شراكة مثالية بين الطالب والمعلم:

الجزء الفيزيائي: يعرف القواعد الأساسية لكيفية تمدد العوارض وانحنائها (قوانين نيوتن). وهو يعمل كـ "حاجز حماية" لمنع الذكاء الاصطناعي من تقديم تخمينات مستحيلة.
جزء الذكاء الاصطناعي: يتعلم الأجزاء "الفوضوية" غير المعروفة (الخصائص غير الخطية) التي تغفل عنها قواعد الكتاب المدرسي.
النتيجة: يتعلم الذكاء الاصطناعي أسرع وأفضل لأنه لا يبدأ من الصفر؛ بل يقوم فقط بملء الفجوات التي تركها معلم الفيزياء.

3. شبكة الأمان: مرشح كالمان (Kalman Filter)

حتى مع وجود معلم رائع وطالب ذكي، تحدث الأخطاء. إذا حاولت التنبؤ بحركة الجسر لمدة 10 دقائق متواصلة باستخدام الذكاء الاصطناعي وحده، فإن الأخطاء الصغيرة ستتراكم مثل كرة ثلج تتدحرج من فوق تلة، لتصبح في النهاية كارثة (وهذا ما يسمى بـ "الانحراف" أو Drift).

لحل هذه المشكلة، يستخدم PiGGO مرشح كالمان.

التشبيه: تخيل أنك تقود سيارة في ضباب كثيف. لديك نظام تحديد مواقع (GPS) يخبرك أين يُفترض أن تكون، ولكن لديك أيضاً عينان (المستشعرات الحقيقية) تريان أين أنت بالفعل.
مرشح كالمان هو السائق الذي يتحقق باستمرار من نظام الـ GPS مقابل عينيك. إذا قال الـ GPS "انعطف يساراً" بينما تقول عيناك "هناك جدار"، فإن السائق يصحح المسار فوراً.
في PiGGO، يقوم هذا المرشح بتصحيح توقعات الذكاء الاصطناعي باستمرار باستخدام بيانات المستشعرات الحقيقية، مما يحافظ على دقة التقدير حتى عندما يكون النموذج غير دقيق تماماً أو عندما تكون المستشعرات مشوشة.

4. عملية التدريب ذات الخطوتين

يوضح البحث أن PiGGO يعمل عبر مرحلتين متميزتين:

التعلم خارج الموقع (داخل الفصل الدراسي): أولاً، يتم تدريب الذكاء الاصطناعي على محاكة حاسوبية لجسر. يتعلم "الشكل العام" لكيفية حركة الجسر، ويصبح بارعاً جداً في فهم الفيزياء والخصائص غير الخطية.
الاستشعار عبر الإنترنت (في العالم الحقيقي): بمجرد انتهاء التدريب، يتم وضع النموذج داخل "شبكة أمان" مرشح كالمان. الآن، يمكن استخدامه على جسر آخر (واحد أكبر قليلاً أو مصنوع من مواد مختلفة قليلاً). ولأن الذكاء الاصطناعي تعلم قواعد اللعبة، وليس فقط نتائج مباراة واحدة محددة، فإنه يستطيع التعميم. تقوم شبكة الأمان (مرشح كالمان) برصد أي اختلافات صغيرة بين جسر التدريب والجسر الحقيقي.

ماذا وجدوا؟

اختبر الباحثون هذا النظام على نوعين من الهياكل الصعبة:

شبكة عشوائية من النوابض (مثل شبكة عنكبوت فوضوية).
جسر يحتوي على "فجوات" في الوصلات لا تبدأ في العمل إلا عندما يتحرك الجسر بمقدار معين (سلوك غير خطي للغاية).

النتائج:

بدون شبكة الأمان: إذا استخدموا الذكاء الاصطناعي وحده، كانت التوقعات تصبح فوضوية وتبتعد عن الواقع بمرور الوقت، خاصة إذا كان الجسر مختلفاً قليلاً عن الجسر الذي تم التدريب عليه.
باستخدام PiGGO (الذكاء الاصطناعي + شبكة الأمان): ظل النظام دقيقاً. استطاع التنبؤ بحركة أجزاء الجسر التي لا تحتوي على مستشعرات، حتى عندما كانت المستشعات مشوشة وعندما كان الجسر يحتوي على متغيرات غير معروفة. لقد كان أكثر قوة ومتانة من استخدام الذكاء الاصطناعي وحده أو الرياضيات التقليدية وحدها.

الخلاما تل

إن PiGGO هو وسيلة ذكية لـ "ملء الفراغات" في الهياكل المعقدة. فهو يجمع بين موثوقية الفيزياء ومرونة الذكاء الاصطناعي، ثم يستخدم "فحصاً مستمراً للواقع" (مرشح كالمان) لضمان بقاء التوقعات حقيقية، حتى عندما يكون العالم الحقيقي فوضوياً وغير مؤكد. إنه يسمح للمهندسين بمعرفة ما يحدث داخل الهيكل دون الحاجة لوضع مستشعر في كل بوصة منه.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "PiGGO: مرشحات كالمان الرسومية القابلة للتعلم والموجهة بالفيزياء للاستشعار الافتراضي للهياكل الديناميكية غير الخطية تحت ظروف عدم اليقين."

1. بيان المشكلة

تتناول الورقة تحدي الاستشعار الافتراضي (تقدير الاستجابات الهيكلية في المواقع غير المقاسة) في الهياكل الديناميكية المعقدة وغير الخطية تحت ظروف عدم اليقين في شكل النموذج وندرة الاستشعار.

قصور النهج الحالية:
- النماذج القائمة على الفيزياء فقط: تواجه صعوبة في تمثيل اللاخطية المعقدة الناشئة عن التأثيرات المادية، أو آليات الوصلات، أو قوى التغذية الراجعة المنفصلة. وغالبًا ما تفشل في استيعاب التباين التشغيلي المتأصل.
- النماذج القائمة على البيانات فقط (مثل الشبكات العصبية الرسومية GNNs القياسية): رغم مرونتها، إلا أنها تعاني من تراكم الأخطاء في الإعدادات عبر الإنترنت (online)، خاصة عند التعميم على هياكل ذات بارامترات أو توبولوجيا مختلفة. كما تجد صعوبة في التعامل مع القياسات الشحيحة.
- مرشحات كالمان الموسعة (EKF): تتطلب نماذج انتقال حالة دقيقة وقابلة للاشتقاق، وهي نماذج غالبًا ما تكون غير متوفرة للأنظمة غير الخطية المعقدة.
التحدي الجوهري: تطوير إطار عمل يمكنه إجراء تقدير حالة موثوق وفي الوقت الفعلي للأنظمة غير الخطية ذات المعادلات الحاكمة المجهولة أو المعروفة جزئيًا، مع الحفاظ على المتانة ضد ضوضاء القياس وعدم اليقين في النموذج.

2. المنهجية: إطار عمل PiGGO

يقترح المؤلفون PiGGO (الشبكة العصبية الرسومية للمعادلات التفاضلية العادية الموجهة بالفيزياء)، وهو إطار عمل موحد يدمج المعادلة التفاضلية العادية الرسومية (GNODE) مع مرشح كالمان الموسع (EKF).

أ. التمثيل الرسومي وحالة الفضاء

يتم نمذجة النظام الهيكلي كرسم بياني $G = \{X, E, A\}$ ، حيث تمثل العقد المكونات الهيكلية وتمثل الحواف الاتصالات (مثل الزنبركات/المخمدات).
متغيرات الحالة: تشمل سمات العقد الإزاحة، والسرعة، والتسارع؛ وتشمل سمات الحافة الامتدادات، والمعدلات، والخصائص الهندسية (الزوايا).
الانحيازات الاستقرائية الموجهة بالفيزياء: صُممت البنية لتشفير الميكانيكا الهيكلية بشكل صريح:
- التكافؤ (Equivariance): صُممت السمات لتكون ثابتة تجاه تحولات نظام الإحداثيات (باستخدام جيب وتمام الزوايا).
- توازن القوى: يتم تفكيك تطور الحالة إلى مكون فيزيائي خطي معروف ( $C_{phy}$ ) ومكون متعلم (صندوق أسود) ( $C_{bb}$ ).

ب. الـ GNODE الموجه بالفيزياء (التدريب خارج الخط/Offline)

تطور الحالة: يُعرف انتقال الحالة المستمر في الزمن بواسطة معادلة تفاضلية قابلة للتعلم: $\dot{Z} = F_{ev}(Z, G)$ .
الديناميكيات الهجينة: يجمع دالة التطور $F_{ev}$ $F_{e v}$ بين:
1. الطرف القائم على الفيزياء: توازن قوى خطي قياسي مشتق من الميكانيكا المعروفة (الصلابة، التخميد).
2. الطرف "الصندوق الأسود": شبكة عصبية رسومية (GNN) تتعلم قوى اللاخطية المتبقية (مثل الصلابة التكعيبية، أو لاخطية الفجوة).
هدف التدريب: بدلاً من تقليل خطأ الملاحظة وحده، يتم تدريب النموذج باستخدام خسارة مستوحاة من الفيزياء تعتمد على متبقي توازن القوة ( $r_i = m\ddot{u} + \xi - f$ ). يضمن ذلك أن الديناميكيات المتعلمة تلتزم بقوانين نيوتن، مما يقلل الحاجة إلى مجموعات بيانات ضخمة وضبط يدوي لأوزان الخسارة.

ج. مرشح كالمان الموسع الرسومي (الاستدلال عبر الإنترنت/Online)

التكامل: يعمل نموذج PiGGO المدرب مسبقًا كـ نموذج انتقال الحالة ضمن حلقة EKF.
تقدير عدم اليقين: يتعامل EKF مع عدم اليقين في شكل النموذج وضوضاء القياس من خلال:
- نشر متوسط الحالة والتباين (covariance).
- حساب كسب كالمان (Kalman Gain) لتصحيح التنبؤات بناءً على قياسات شحيحة ومشوشة.
- توفير تقديرات واعية بعدم اليقين (فترات الثقة) لجميع متغيرات الحالة.
الاستراتيجية: يستخدم الإطار استراتيجية تدريب مفككة:
1. خارج الخط (Offline): تدريب PiGGO لتعلم تمثيل عام لديناميكيات النظام.
2. عبر الإنترنت (Online): دمج النموذج المدرب داخل EKF للتصحيح من الانحرافات والضوضاء في الوقت الفعلي.

3. المساهمات الرئيسية

إطار عمل موحد: يقدم PiGGO أول إطار عمل يجمع بين الـ GNODEs الموجهة بالفيزياء والترشيح البايزي المتكرر للاستشعار الافتراضي عبر الإنترنت للهياكل غير الخطية.
الانحياز الاستقرائي الموجه بالفيزياء: يوضح كيف يؤدي تضمين الميكانيكا الهيكلية (توازن القوى، التكافؤ الهندسي) في بنية الـ GNN إلى تحسين التعميم وتقليل الاعتماد على البيانات.
المتانة تجاه عدم اليقين: يظهر النهج الهجين تفوقه على كل من نماذج GNODE مفتوحة الحلقة (open-loop) ونماذج EKF القياسية عند التعامل مع:
- عدم اليقين في شكل النموذج: التباينات في البارامترات الهيكلية (مثل الصلابة، التخميد) التي لم تُشاهد أثناء التدريب.
- الاستشữ الشحيح: التقدير الدقيق حتى عندما تكون نسبة 75-87.5% من العقد غير مقاسة.
التنبؤ الواعي بعدم اليقين: يوفر مكون EKF تقديرات التباين البعدي (posterior covariance) التي تلتقط بفعالية خطأ النموذج والضوضاء، مما يوفر فترات ثقة موثوقة للتطبيقات الحرجة للسلامة.

4. النتائج

تم تقييم إطار العمل في دراستي حالة عددية:

مصفوفة جملون عشوائية (Random Truss Array): نظام ذو صلابة تكعيبية غير خطية.
مصفوفة جملون جسر (Bridge Truss Array): نظام ذو لاخطية فجوة زاوية غير سلسة.

النتائج الرئيسية:

الأداء خارج الخط (Offline): تعلم نموذج PiGGO الديناميكيات بدقة أثناء التدريب، مطابِقًا القيم الحقيقية للإزاحة، والسرعة، والتسارع.
التعميم عبر الإنترنت (Online):
- الـ GNODE مفتوح الحلقة (Open-Loop): عند تطبيقه على هياكل أكبر وغير مرئية ذات بارامترات متغيرة، عانى النموذج مفتوح الحلقة من انزياح الطور وأخطاء السعة الكبيرة بسبب أخطاء التكامل المتراكمة.
- PiGGO-EKF: قللت آلية الترشيح هذه الأخطاء بشكل كبير. بالنسبة للمصفوفة العشوائية، انخفض متوسط مربع الخطأ المعياري (NMSE) للإزاحة من 24.5 (مفتوح الحلقة) إلى 0.3 (EKF).
- جملون الجسر: لوحظت تحسينات مماثلة، حيث قام EKF بتصحيح الانحياز والانزياح المتأصل في تنبؤات النموذج مفتوح الحلقة.
تقدير عدم اليقين: نجحت تقديرات التباين البعدي من EKF في احتواء استجابات النظام الحقيقية، بينما لم يوفر النموذج مفتوح الحلقة أي تقدير لعدم اليقين.

5. الأهمية والأثر

التوائم الرقمية لمراقبة الحالة الهيكلية (SHM): يوفر هذا العمل حلاً قابلاً للتوسع والمتانة لمراقبة الحالة الهيكلية، مما يسمح بإنشاء توائم رقمية يمكنها العمل بموثوقية رغم المعرفة غير الكاملة ببارامترات النظام والبيانات المحدودة.
سد الفجوة: يجسد العمل بفعالية الفجوة بين قابلية التفسير للنماذج القائمة على الفيزياء ومرونة التعلم القائم على البيانات.
القابلية للتطبيق العملي: تجعل استراتيجية التدريب/الاستدلال المفككة هذا النهج قابلاً للتنفيذ حاسوبيًا للتطبيقات في الوقت الفعلي، مما يتجنب التكلفة العالية للتدريب النهائي (end-to-end) للنماذج العصبية-EKF.
الاتجاهات المستقبلية: يقترح المؤلفون توسيع إطار العمل للتعامل مع السلوكيات المحلية غير السلسة (مثل الضرر الموضعي) واستكشاف توبولوجيا رسومية تكيفية حيث تكون مصفوفة التجاور نفسها متغيرًا كامنًا.

باختصار، يمثل PiGGO تقدمًا كبيرًا في التعلم الآلي المعزز بالفيزياء (PEML)، حيث يقدم طريقة موثوقة لمراقبة البنى التحتية المعقدة وغير الخطية حيث تفشل الطرق التقليدية بسبب عدم اليقين والندرة.