A Physics-Aware Variational Graph Autoencoder for Joint Modal Identification with Uncertainty Quantification

Resumen Técnico: Un Autoencoder Variacional de Grafos Consciente de la Física para la Identificación Modal Conjunta con Cuantificación de Incertidumbre

1. Planteamiento del Problema

La identificación modal fiable a partir de datos de vibración de salida única (output-only) sigue siendo un desafío crítico en la monitorización de la salud estructural (SHM). Las dificultades principales incluyen:

• Ruido de medición y variabilidad estructural: La presencia de ruido y la variabilidad en las estructuras complican la estimación precisa de frecuencias naturales, relaciones de amortiguamiento y formas modales.
• Sensores escasos: La disponibilidad limitada de sensores (espacialidad dispersa) reduce la observabilidad de los modos de vibración.
• Limitaciones de los métodos actuales:
  • Los métodos clásicos (como SSI o FDD) a menudo requieren procedimientos manuales de selección de picos, son subjetivos y tienen dificultades con modos cercanos o débilmente excitados.
  • Los enfoques de aprendizaje profundo existentes suelen ser deterministas, carecen de estimaciones de incertidumbre calibradas o tratan los parámetros globales (frecuencias) y locales (formas modales) de forma fragmentada.
  • Falta de restricciones físicas: Muchos modelos no incorporan principios fundamentales de la dinámica estructural, como la ortogonalidad de las formas modales, lo que lleva a predicciones físicamente inconsistentes.

El objetivo es desarrollar un marco unificado que realice la identificación modal conjunta (frecuencias, amortiguamiento y formas modales completas) a partir de datos en el dominio de la frecuencia (Densidad Espectral de Potencia - PSD), proporcionando simultáneamente estimaciones de incertidumbre calibradas y garantizando la consistencia física.

2. Metodología Propuesta: UResVGAE

Los autores proponen UResVGAE (Physics-Aware U-Res Variational Graph Autoencoder), un marco basado en grafos que integra redes neuronales profundas con principios físicos y probabilísticos.

• Representación del Grafo:

  • La estructura (armadura) se modela como un grafo $G=(V, E)$, donde los nodos son las uniones y las aristas son los miembros.
  • Los atributos de los nodos incluyen vectores de respuesta PSD y coordenadas espaciales.
  • Se utiliza GraphSAGE (en lugar de GCN o GAT) para manejar grafos de topología variable y capturar interacciones locales mediante agregación de vecindad.

• Arquitectura del Modelo:

  • Codificador: Utiliza un codificador residual inspirado en U-Net. Incluye bloques de grafos residuales para propagar información estructural y un mecanismo de agrupamiento por atención (attention pooling) para generar una representación global del grafo.
  • Espacio Latente Variacional: Se introduce un espacio latente estocástico para capturar la variabilidad estructural y la incertidumbre epistémica. La distribución latente se modela como una Gaussiana, regularizada mediante divergencia KL.
  • Decodificación Dual:
    • Decodificador de Nivel de Grafo: Predice frecuencias naturales y relaciones de amortiguamiento globales.
    • Decodificador de Nivel de Nodo: Reconstruye las formas modales completas (campos espaciales) fusionando la información latente global con características locales del grafo mediante conexiones de salto (skip connections) para preservar detalles de alta resolución.

• Cuantificación de Incertidumbre (Híbrida):

  • Aprendizaje Evidencial: Se utiliza regresión evidencial para predecir los parámetros de una distribución Normal-Inverse-Gamma (NIG). Esto permite descomponer la incertidumbre en:
    • Aleatoria (Aleatoric): Ruido inherente a los datos.
    • Epistémica (Epistemic): Incertidumbre del modelo debido a datos insuficientes.
  • Aproximación Bayesiana: Se complementa con Monte Carlo Dropout y Stochastic Weight Averaging Gaussian (SWAG) durante la inferencia para estimar la incertidumbre de los parámetros del modelo.

• Función de Pérdida y Restricciones Físicas:

  • La función de pérdida combina la verosimilitud negativa (NLL) para la regresión evidencial, una penalización de regularización evidencial, y el Continuous Ranked Probability Score (CRPS) para la calibración.
  • Consistencia Física: Se imponen restricciones de ortogonalidad en las formas modales predichas y se utiliza el Criterio de Garantía Modal (MAC) para medir la similitud con las formas teóricas.

• Estrategia de Entrenamiento: Se emplea un entrenamiento por fases: primero se aprenden los parámetros globales, luego las formas modales, y finalmente se activan todas las restricciones físicas y de incertidumbre.

3. Contribuciones Clave

1. Marco Unificado: Es uno de los primeros enfoques que estima simultáneamente parámetros modales globales y formas modales distribuidas espacialmente dentro de una sola arquitectura de grafo.
2. Incertidumbre Calibrada: Proporciona distribuciones predictivas completas en lugar de puntos deterministas, separando explícitamente la incertidumbre aleatoria y epistémica, lo cual es crucial para aplicaciones de seguridad crítica.
3. Conciencia Física: Incorpora restricciones de ortogonalidad y similitud de formas modales directamente en el proceso de aprendizaje, asegurando que las predicciones respeten las leyes de la dinámica estructural.
4. Robustez ante Ruido y Escasez: El modelo demuestra una capacidad superior para manejar datos ruidosos y configuraciones de sensores escasos en comparación con modelos GNN estándar.

4. Resultados Experimentales

El modelo fue evaluado en una población de 2600 estructuras de armadura generadas numéricamente bajo diversas condiciones de relación señal-ruido (SNR) y disponibilidad de sensores.

• Precisión Predictiva:
  • Se lograron errores relativos bajos en frecuencias (MAE ~0.3% en condiciones limpias) y amortiguamiento.
  • Los valores del Criterio de Garantía Modal (MAC) fueron excepcionalmente altos (media > 0.96 para modos 1 y 2), indicando una reconstrucción fiel de las formas modales.
• Descomposición de Incertidumbre:
  • La incertidumbre aleatoria dominó (~65-75% de la varianza total), reflejando el ruido de medición.
  • La incertidumbre epistémica aumentó para modos de orden superior, lo que indica que el modelo reconoce correctamente la mayor dificultad de identificar modos más complejos.
• Calibración:
  • Los intervalos de confianza predichos coincidieron bien con la cobertura empírica (Errores de Calibración Esperada - ECE entre 0.028 y 0.163), demostrando que el modelo no es ni excesivamente seguro ni inseguro.
• Robustez:
  • Bajo ruido severo (10 dB SNR), UResVGAE mantuvo un rendimiento superior al modelo GNN base, con errores de frecuencia significativamente menores y formas modales más coherentes.
  • Con solo el 20-30% de los sensores disponibles, el modelo mantuvo valores de MAC > 0.90, demostrando una gran capacidad de generalización con datos esparsos.

5. Significado e Impacto

Este trabajo representa un avance significativo en la monitorización de la salud estructural (SHM) al abordar la brecha entre el aprendizaje profundo y la física estructural.

• Toma de decisiones segura: La capacidad de cuantificar la incertidumbre de manera calibrada permite a los ingenieros evaluar la fiabilidad de las predicciones, crucial para la toma de decisiones en estructuras críticas.
• Eficiencia en entornos reales: La robustez ante sensores faltantes y ruido de medición hace que el método sea viable para aplicaciones en el mundo real donde la instrumentación completa es costosa o imposible.
• Fundamento para futuras investigaciones: Establece una base sólida para la validación en conjuntos de datos experimentales y reales, promoviendo el uso de arquitecturas de grafos probabilísticas y conscientes de la física en la ingeniería civil.

En resumen, UResVGAE ofrece una ruta coherente y fundamentada físicamente para la identificación modal conjunta, superando las limitaciones de los métodos tradicionales y de los modelos de aprendizaje profundo puramente data-driven.