🤖 machine learning

Green Physics-Informed Machine Learning Models For Structural Health Monitoring

Dieser Beitrag bewertet die Umweltauswirkungen von Modellen zur Strukturüberwachung, indem er zeigt, wie physikinformierte „Grau-Box"-Ansätze im Vergleich zu rein datengetriebenen „Black-Box"-Modellen eine hohe Extrapolationsleistung bei reduzierten Rechenkosten und CO₂-Emissionen erreichen können.

Ursprüngliche Autoren: Daisy R Bradley, Elizabeth J Cross

Veröffentlicht 2026-05-01

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Daisy R Bradley, Elizabeth J Cross

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen einem Roboter beizubringen, vorherzusagen, wie eine Brücke oder ein Flugzeugflügel bei Wind vibriert. Normalerweise unterrichten wir Roboter mit einem „Black-Box"-Ansatz: Wir füttern sie mit Tausenden von Fotos der Brücke bei verschiedenen Windverhältnissen und sagen: „Lerne das Muster." Das funktioniert, ist aber so, als würde man versuchen, Schwimmen zu lernen, indem man eine Million Bücher über Wasser liest, ohne jemals ins Becken zu steigen. Es kostet viel Zeit, viel Energie, und wenn der Roboter ein Windmuster sieht, das er noch nie gesehen hat, könnte er verwirrt sein.

Dieser Artikel stellt einen intelligenteren Weg vor, der als „Green Physics-Informed Machine Learning" (Grünes, physikalisches maschinelles Lernen) bezeichnet wird. Stellen Sie sich das vor, als würden Sie dem Roboter einen Schwimmlehrer (die Physik) neben die Bücher geben. Anstatt nur Daten auswendig zu lernen, wird dem Roboter die Grundregel mitgeteilt, wie sich Wasser (oder Metall) bewegt. Dies wird als „Grey-Box"-Modell bezeichnet, da es eine Mischung aus Daten und menschlichem Wissen ist.

Hier ist die einfache Aufschlüsselung dessen, was die Autoren Daisy Bradley und Elizabeth Cross getan und herausgefunden haben:

1. Das Ziel: Energie sparen (Der „Grüne" Teil)

Computer verbrauchen Strom, und die Erzeugung dieses Stroms verursacht oft Kohlenstoffemissionen (wie Rauch aus einer Fabrik). Die Autoren wollten wissen: Spart das Unterrichten eines Roboters mit physikalischen Regeln Energie im Vergleich zum bloßen Füttern mit Daten?

Sie verglichen drei Arten von „Robotern" (mathematischen Modellen):

Black-1 (Der reine Lerner): Hat kein Vorwissen. Er muss alles von Grund auf nur mit Daten lernen.
Grey-1 (Der Schüler mit einem Hinweis): Kennt die allgemeinen Regeln der Physik, muss aber die spezifischen Details (wie die genaue Periode einer Vibration) noch durch Betrachten von Daten herausfinden.
Grey-2 (Der Experte): Kennt die physikalischen Regeln perfekt und muss die Details überhaupt nicht erraten.

2. Das Experiment: Das „Spielzeug" und die „Realität"

Sie testeten diese Modelle auf zwei Arten:

Die Spielzeugkiste: Ein einfaches mathematisches Problem (wie eine wellenförmige Linie), um zu sehen, wie sich die Modelle verhalten.
Die Realität: Ein echter Labortest an einem kleinen Metallflugzeugflügel (der GARTEUR-Struktur), um zu prüfen, ob er in der realen Welt standhält.

Die große Entdeckung:
Die Modelle mit physikalischem Wissen (die Grey Boxes) benötigten viel weniger Daten, um die Aufgabe richtig zu erledigen.

Der „reine Lerner" benötigte 80 % der Daten, um eine gute Antwort zu erhalten.
Der „Experte" (Grey-2) benötigte nur 20 % der Daten, um die gleiche gute Antwort zu erhalten.

3. Der Haken: Komplexität versus Daten

Hier kommt die Wendung. Einem Roboter Physik beizubringen macht den Roboter etwas komplexer zu bauen (er hat mehr „Knöpfe" oder Einstellungen zum Justieren).

Im einfachen „Spielzeug"-Test: Das „Experten"-Modell war der Gewinner. Da es so wenig Daten benötigte, erledigte es seine Arbeit superschnell und verbrauchte die wenigste Elektrizität. Die Einsparungen durch den geringeren Datenbedarf waren größer als die Kosten der zusätzlichen Komplexität.
Im „realen" Flugzeugtest: Es war etwas gemischter. Manchmal ließ die zusätzliche Komplexität des physikalischen Modells mehr Zeit und Energie benötigen, insbesondere wenn die Datenmenge sehr gering war. Wenn sie jedoch einen dichteren Datensatz verwendeten (mehr Punkte zum Lernen), glänzte das „Experten"-Modell wieder und verbrauchte 89 % weniger Energie als der reine Lerner.

4. Das Fazit

Die Autoren kommen zu dem Schluss, dass das Hinzufügen von Physik zum maschinellen Lernen einem Schüler eine Karte gibt.

Wenn Sie eine kurze Strecke gehen (kleine Datensätze), kann das Tragen der Karte wie ein zusätzliches Gewicht wirken.
Aber wenn Sie eine lange Strecke gehen (große, komplexe Ingenieursprobleme), bedeutet das Vorhandensein der Karte, dass Sie nicht herumirren und raten müssen. Sie kommen viel schneller ans Ziel und sparen eine enorme Menge an Energie.

Kurz gesagt: Durch die Kombination von menschlichem Ingenieurwissen mit dem Lernen von Computern können wir Maschinen beibringen, ihre Arbeit mit weniger Daten zu erledigen, was bedeutet, dass sie schneller laufen und weniger Kohlenstoff verbrauchen – und damit die Überwachung der strukturellen Gesundheit (die Prüfung, ob Brücken und Flugzeuge sicher sind) nachhaltiger wird.

1. Problemstellung

Das Paper adressiert die zunehmenden Umweltauswirkungen des Machine Learning (ML) im Ingenieurwesen, speziell im Bereich Structural Health Monitoring (SHM). Obwohl ML zunehmend für Regressions- und Klassifizierungsaufgaben im Ingenieurwesen eingesetzt wird, weisen rein datengetriebene („Black-Box") Ansätze erhebliche Einschränkungen auf:

Datenknappheit: Sie generalisieren oft nicht auf nicht gesehene Umwelt- oder Betriebsbedingungen (EOCs), für die keine Trainingsdaten verfügbar sind.
Hohe Rechenkosten: Um hohe Genauigkeit zu erreichen, benötigen Black-Box-Modelle typischerweise massive Datensätze, was zu langen Trainingszeiten und hohen Kohlenstoffemissionen führt.

Die Autoren hypothesieren, dass Physics-Informed Machine Learning (PIML) oder „Grey-Box"-Modelle, die physikalisches Wissen in die Modellarchitektur einbetten, die Menge der benötigten Trainingsdaten reduzieren können. Die zentrale Forschungsfrage lautet, ob die Reduktion der Datenanforderungen (und damit der Laufzeit) den potenziellen Anstieg der Modellkomplexität durch die Einbettung von Physik überwiegt, was letztendlich zu niedrigeren Kohlenstoffemissionen führt.

2. Methodik

Die Studie verwendet einen vergleichenden Rahmen mit Gaussian Process (GP)-Regressionsmodellen, die aufgrund ihrer Interpretierbarkeit und Flexibilität gewählt wurden, Physik einzubetten, ohne die Kernarchitektur zu verändern.

A. Modellarchitektur

Drei verschiedene GP-Modelle wurden entwickelt, um unterschiedliche Grade von „Grauheit" (Integration von physikalischem Wissen) zu testen:

Black-1 (Black-Box): Ein Standard-GP mit einem konstanten Mittelwert und einem Squared Exponential (SE)-Kernel. Es verfügt über 4 Hyperparameter zum Lernen (Längenskala, Ausgangsvarianz, Mittelwert, Rauschen).
Grey-1 (Semi-Physik): Ein SE-Kernel, multipliziert mit einem Periodischen Kernel (als Stellvertreter für physikalische Erkenntnisse bezüglich der Periodizität des Systems). Der Periodenparameter ist innerhalb von 10 % des wahren Werts begrenzt. Es verfügt über 6 Hyperparameter.
Grey-2 (Hoch-Physik): Ähnlich wie Grey-1, aber der Periodenparameter ist auf den wahren Wert fixiert (während des Trainings nicht optimiert). Es verfügt über 5 Hyperparameter.

B. Experimentelles Setup

Die Studie nutzte zwei Testfälle:

Toy-Box-Fall: Eine synthetische Oberfläche definiert durch $y = \sqrt{|x_2|} \sin(4x_1)$ , entwickelt, um Extrapolationsfähigkeiten zu testen.
Ingenieurfall (SHM): Reale Daten aus dem GARTEUR-Benchmark (eine metallische Flugzeugstruktur). Die Aufgabe bestand darin, Beschleunigungsantworten räumlich und zeitlich vorherzusagen. Zwei Datenlayouts wurden getestet:
- Original: Sparse Datenpunkte.
- Hochgerechnet (Upsampled): Dichtere Datenpunkte (200 Punkte pro 10 % Abdeckung).

C. Evaluierungsmetriken und Werkzeuge

Leistungs-Schwellenwert: Modelle wurden mit variierender Datenabdeckung (Intervalle von 10 %) trainiert, bis sie einen Normalisierten Mittlere-Quadrat-Fehler (NMSE) < 10 erreichten.
Kohlenstoffschätzung: Das Paket CodeCarbon wurde verwendet, um $gCO_2e$ -Emissionen basierend auf Laufzeit, CPU Thermal Design Power (TDP) und der Kohlenstoffintensität des Stroms zu schätzen.
Hardware: Experimente liefen auf einem Dell Inspiron 5680 (Intel Core i7-8700, 32 GB RAM).

3. Hauptbeiträge

Grüner Blickwinkel auf PIML: Dies ist die erste Arbeit, die PIML-Modelle explizit durch die Linse der ökologischen Nachhaltigkeit (Kohlenstoffemissionen) und nicht nur durch die Vorhersagegenauigkeit bewertet.
Trade-off-Analyse: Die Studie quantifiziert den Trade-off zwischen Modellkomplexität (Anzahl der Hyperparameter) und Dateneffizienz. Sie zeigt, dass die Einbettung von Physik die benötigten Daten zur Erreichung eines Leistungsziels reduziert, aber aufgrund der höheren Anzahl an Hyperparametern die Rechenkosten pro Iteration erhöht.
Skalierbarkeits-Erkenntnis: Die Autoren stellen fest, dass einfache Modelle gemischte Ergebnisse zeigen, das Potenzial zur Kohlenstoffeinsparung durch PIML jedoch mit größeren Datensätzen signifikant skaliert, wobei die Reduktion des Trainingsdatenvolumens die Kosten der erhöhten Komplexität überwiegt.

4. Ergebnisse

Die Ergebnisse deuten darauf hin, dass der Umweltvorteil von PIML stark von der Datensatzgröße und der spezifischen Konfiguration der Physik-Integration abhängt.

Metrik	Toy-Box-Fall	GARTEUR (Original)	GARTEUR (Hochgerechnet)
Datenreduktion	Grey-2 benötigte 75 % weniger Daten als Black-1.	Grey-2 benötigte 57 % weniger Daten.	Grey-2 benötigte 75 % weniger Daten.
Emissionen ( $gCO_2e$ )	Grey-2 reduzierte Emissionen um 73,7 % (0,124 vs. 0,471).	Grey-2 erhöhte Emissionen um 31,9 % (0,0984 vs. 0,0746).	Grey-2 reduzierte Emissionen um 89,7 % (0,209 vs. 2,04).
Haupttreiber	Datenreduktion übertraf die Kosten der Hyperparameter.	Kleine Datensatzgröße bedeutete, dass die Kosten der Hyperparameter-Optimierung dominierten.	Große Datensatzgröße bedeutete, dass die Einsparungen durch Datenreduktion dominierten.

Toy-Box & Hochgerechnete GARTEUR: Die physikinformierten Modelle (insbesondere Grey-2) erreichten die Zielgenauigkeit mit deutlich weniger Daten. Die daraus resultierende Reduktion der Trainingszeit führte zu massiven Kohlenstoffeinsparungen (bis zu ~90 % Reduktion).
Original GARTEUR: Aufgrund der sehr kleinen Datensatzgröße überstiegen die Rechenkosten für die Optimierung zusätzlicher Hyperparameter in den Grey-Box-Modellen die Zeitersparnis durch weniger Datenpunkte, was zu leicht höheren Emissionen im Vergleich zum Black-Box-Modell führte.

5. Bedeutung und Fazit

Das Paper kommt zu dem Schluss, dass Physics-Informed Machine Learning eine tragfähige Strategie für „Green Computing" im Ingenieurwesen ist, deren Erfolg jedoch von der Skalierung des Datensatzes abhängt.

Kleine Datensätze: Der Overhead des Lernens zusätzlicher physikalischer Parameter kann die Vorteile reduzierter Datenanforderungen zunichtemachen.
Große Datensätze: Die kubische Komplexität des GP-Trainings ( $O(N^3)$ ) bedeutet, dass selbst eine moderate Reduktion der Trainingsdatengröße ( $N$ ) zu exponentiellen Reduktionen der Laufzeit und der Kohlenstoffemissionen führt. In diesen Szenarien sind die „Kosten" zusätzlicher Hyperparameter im Vergleich zu den Einsparungen durch Datenreduktion vernachlässigbar.

Zukünftige Arbeiten: Die Autoren planen, diese Forschung auf größere Modelle (z. B. Neuronale Netze und PINNs) und komplexere ingenieurtechnische Probleme auszuweiten, um zu validieren, dass dieser Trend auch dann gilt, wenn Modelle auf industrielles Niveau skalieren. Die Studie liefert einen grundlegenden Rahmen für Ingenieure, nachhaltige ML-Modelle zu entwerfen, indem sie physikalische Erkenntnisse explizit gegen den Rechenbedarf abwägen.