WaveGraphNet: Physics-Consistent Guided-Wave Damage Localization through Coupled Inverse-Forward Graph Learning

ملخص تقني: WaveGraphNet

بيان المشكلة
يهدف رصد الحالة الهيكلية (SHM) باستخدام الموجات الموجهة إلى اكتشاف وتحديد مواقع الأضرار في المواد المركبة، مثل ألواح البوليمر المعزز بألياف الكربون (CFRP)، باستخدام شبكات متفرقة من المحولات الكهرضغطية (piezoelectric transducers). ويتمثل التحدي الحرج في هذا المجال في مشكلة "الاستقراء المكاني" (spatial extrapolation): حيث إن النماذج التي يتم تدريبها على مجموعة محدودة من مواقع الأضرار الموسومة تؤدي أداءً جيدًا في المناطق التي تم التدريب عليها، لكنها تفشل في التعميم على المناطق غير المرئية من الهيكل. ينبع هذا القصور من كون استنتاج إحداثيات العيب من قياسات "النبض-الاستقبال" (pitch-catch) المتفرقة يمثل مسألة عكسية ضعيفة القيود. وعادة ما تعامل نماذج التعلم الآلي الحالية بيانات المستشعرات كصفوف أو صور، مما يؤدي إلى الفشل في نمذجة الطوبولوجيا العلاقاتية لشبكة المحولات بشكل صريح. علاوة على ذلك، قد تتنبأ نماذج الانحدار الخاضعة للإشراف التقليدية بإحداثيات تبدو منطقية عددياً، ولكنها غير متسقة فيزيائياً مع إعادة توزيع طاقة الموجة عبر شبكة الاستشعار، لا سي-ما عند الاستقراء خارج نطاق التدريب.

المنهجية: WaveGraphNet
يقترح البحث إطار عمل WaveGraphNet، وهو إطار تعلم رسومي (graph learning) مقترن عكسي-أمامي مصمم لمعالجة غموض تحديد المواقع بالموجهات المتفرقة. الابتكار الجوهري هو دمج نموذج أمامي متعلم كمنظم متسق فيزيائياً لمهمة التحديد العكسي للموقع.

1. صياغة الرسم البياني (Graph Formulation):

   • يتم نمذجة شبكة الاستشعار صراحةً كرسم بياني (graph) حيث تكون المحولات هي العقد (nodes) ومسارات الانتشار هي الحواف (edges).
   • الفرع العكسي ($G_{inv}$): يستخدم جميع مسارات الانتشار المقاسة ($P$) لربط الواصفات الطيفية ذات البنية الرسومية لاستجابات الموجات الموجهة التفاضلية بإحداثيات العيب ($\hat{p}$). يستخدم هذا الفرع شبكات الانتباه الرسومي (GAT) لتجميع المعلومات من المسارات غير المتجانسة.
   • الفرع الأمامي ($G_{fwd}$): يستخدم مجموعة فرعية من المسارات التي تغطي اللوح ($P_f$) للتنبؤ بأنماط انحراف الطاقة عبر المسار ($\Delta E$) الناجمة عن موقع عيب مرشح. يأخذ هذا الفرع إحداثيات مرشحة كمدخلات ويخرج إعادة توزيع الطاقة المتوقعة.

2. استراتيجية التدريب المقترنة:
   يتم تدريب الإطار عبر ثلاث مراحل لضمان الاستقرار والتعلم الفعال:

   • المرحلة الأولى (التدريب المسبق العكسي): يتم تدريب الفرع العكسي حصرياً على فقدان التحديد ($L_{loc}$) لربط القياسات بالإحداثيات.
   • المرحلة الثانية (التدريب المسبق الأمامي): يتم تدريب الفرع الأمامي للتنبؤ بانحرافات الطاقة بناءً على الإحداثيات الحقيقية.
   • المرحلة الثالثة (التحسين المقترن): يتم ضبط الفرع العكسي بدقة بينما يتم تجميد الفرع الأمامي. تجمع دالة الفقد الكلية ($L_{total}$) بين:
     • فقد التحديد (Localization Loss): يقلل المسافة بين الإحداثيات المتوقعة والحقيقية.
     • فقد الاتساق الأمامي (Forward-Consistency Loss): يعاقب التنبؤات العكسية التي، عند تمريرها عبر النموذج الأمامي المجمد، تنتج أنماط انحراف طاقة غير متسقة مع البيانات المقاسة.
     • فقد التصحيح الفيزيائي (Physics-Correction Loss): يستخدم تدرج فقد الاتساق الأمامي لتوجيه التنبؤ العكسي نحو منطقة متسقة فيزيائياً.

3. الانحدار الموحد:
   يتعامل النموذج مع كل من الحالات المتضررة وغير المتضررة ضمن إطار انحدار موحد عن طريق تعيين إحداثي "لا يوجد ضرر" ثابت يقع خارج نطاق اللوح المسموح به للحالات غير المتضررة. وهذا يلغي الحاجة إلى مصنف منفصل للكشف عن الضرر.

المساهمات الرئيسية

• الصياغة القائمة على الرسم البياني: صاغ المؤلفون تحديد مواقع ضرر الموجات الموجهة المتفرقة كمسألة انحدار من الرسم البياني إلى الإحداثيات، حيث تم تمثيل المحولات صراحةً كعقد ومسارات الانتشار كحواف لالتقاط البنية العلاقاتية.
• إطار العمل الأمامي-العكسي المقترن: قدموا بنية مبتكرة يعمل فيها نموذج أمامي متعلم لانحراف الطاقة عبر المسار كقيد اتساق، مما ينظم عملية التحديد العكسي للموقع لضمان المعقولية الفيزيائية.
• تقييم الاستقراء المكاني: حددت الدراسة وقيمت تقسيمين مكانيين محجوبين للتدريب والاختبار (التقسيم A والتقسيم B) على معيار OGW-1. تم تصميم هذه التقسيمات خصيصاً لاختبار الاستقراء لمناطق ضرر غير مرئية بدلاً من مجرد الاستكمال (interpolation).
• التعامل الموحد مع الضرر/عدم وجود ضرر: يدمج الإطار الحالات السليمة والمتضررة في نفس فضاء المخرجات، مما يبسط خط معالجة الاستدلال.

النتائج
تم تقييم الإطار على معيار لوح OGW-1 SHM باستخدام تقسيمين مكانيين محجوبين تزداد صعوبتهما.

• أداء الاستقراء: حقق WaveGraphNet المقترن أدنى متوسط خطأ مطلق (MAE) في المناطق غير المرئية مقارنة بالنماذج غير الرسومية (1D-CNN, LSTM) والنماذج الرسومية الأساسية (GNN-MLP, GAT). في سيناريو التقسيم B الأكثر صعوبة، خفض النموذج المقترن متوسط الخطأ المطلق في المنطقة غير المرئية من 0.383 (GAT) إلى 0.262.
• معدل الإيجاب الكاذب (FPR): حقق النموذج المقترن معدل إيجاب كاذب بنسبة 0.0% في العينات غير المتضررة المحجوبة في كلا التقسيمين، بينما أظهرت النماذج الأخرى إيجابيات كاذبة كبيرة (تصل إلى 94.4% لنموذج LSTM).
• الدراسة الاستقصائية (Ablation): حقق متغير "العكسي فقط" من WaveGraphNet أفضل أداء في المناطق المرئية (الاستكمال) ولكنه كان أسوأ من النموذج المقترن في المناطق غير المرئية. وهذا يشير إلى أن اقتران الاتساق الأمامي يعزز تحديداً التعميم المكاني بدلاً من مجرد ملاءمة بيانات التدريب.

الأهمية والادعاءات
يزعم البحث أن WaveGraphNet يثبت القدرة على الجمع بين التمثيلات الرسومية العلاقاتية وقيود الاتساق الأمامي الموجهة بالفيزياء لتحسين التعميم المكاني في مراقبة الحالة الهيكلية (SHM). ويؤكد المؤلفون على ما يلي:

• إن بروتوكولات التقييم القياسية التي تستخدم تقسيمات عشوائية للتدريب والاختبار قد تبالغ في تقدير أداء التحديد؛ حيث تكشف التقسيمات المحجوبة مكانياً عن فجوات كبيرة في التعميم.
• يقلل النهج الأمامي-العكسي المقترن من الغموض في المسألة العكسية من خلال ضمان توافق الإحداثيات المتوقعة مع إعادة توزيع طاقة الموجة المقاسة.
• يوفر إطار العمل استراتيجية قوية لتحديد مواقع الموجات الموجهة في ظل تغطية مكانية محدودة، وهو قيد شائع في النشر الواقعي.

يصيغ المؤلفون دراستهم بتواضع كدراسة حالة تجريبية محكومة على مجموعة بيانات OGW-1 بدلاً من التحقق من النشر الشامل. كما يقرون بأن العمل المستقبلي مطلوب لتقييم المتانة تحت تأثير التباين البيئي، وانحراف المستشعرات، وسيناريوهات تعدد الأضرار.