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

Aquí se presenta un resumen técnico detallado del artículo "PiGGO: Filtros de Kalman de Grafos Aprendizables Guiados por Física para Sensado Virtual de Estructuras Dinámicas No Lineales bajo Incertidumbre."

1. Enunciado del Problema

El artículo aborda el desafío del sensado virtual (estimación de respuestas estructurales en ubicaciones no medidas) en estructuras dinámicas complejas y no lineales bajo condiciones de incertidumbre en la forma del modelo y sensado escaso.

• Limitaciones de los Enfoques Actuales:
  • Modelos Puramente Basados en Física: Tienen dificultades para representar con precisión no linealidades complejas derivadas de efectos de materiales, mecanismos de uniones o fuerzas de retroalimentación discretas. A menudo fallan al capturar la variabilidad operativa inherente.
  • Modelos Puramente Basados en Datos (p. ej., GNN estándar): Aunque son flexibles, sufren de acumulación de errores en entornos en línea, especialmente al generalizar a estructuras con diferentes parámetros o topologías. También tienen dificultades con mediciones escasas.
  • Filtros de Kalman Estándar (EKF): Requieren modelos de transición de estado precisos y diferenciables, los cuales a menudo no están disponibles para sistemas no lineales complejos.
• El Desafío Central: Desarrollar un marco que pueda realizar una estimación de estado en línea fiable para sistemas no lineales con ecuaciones gobernantes desconocidas o parcialmente conocidas, manteniendo al mismo tiempo la robustez frente al ruido de medición y la incertidumbre del modelo.

2. Metodología: El Marco PiGGO

Los autores proponen PiGGO (Grafo de Ecuaciones Diferenciales Ordinarias Neuronales Guiado por Física), un marco unificado que integra una Ecuación Diferencial Ordinaria Neuronal de Grafo (GNODE) con un Filtro de Kalman Extendido (EKF).

A. Representación de Grafo y Espacio de Estados

• El sistema estructural se modela como un grafo $G = \{X, E, A\}$, donde los nodos representan componentes estructurales y las aristas representan conexiones (p. ej., resortes/amortiguadores).
• Variables de Estado: Las características de los nodos incluyen desplazamiento, velocidad y aceleración; las características de las aristas incluyen extensiones de conexión, tasas y propiedades geométricas (ángulos).
• Sesgos Inductivos Guiados por Física: La arquitectura codifica explícitamente la mecánica estructural:
  • Equivariancia: Las características están diseñadas para ser invariantes a las transformaciones del sistema de coordenadas (usando seno/coseno de ángulos).
  • Equilibrio de Fuerzas: La evolución del estado se descompone en un componente de física lineal conocido ($C_{phy}$) y un componente no lineal aprendido ($C_{bb}$).

B. La GNODE Guiada por Física (Entrenamiento Offline)

• Evolución del Estado: La transición de estado en tiempo continuo se define mediante una ecuación diferencial aprendible: $\dot{Z} = F_{ev}(Z, G)$.
• Dinámica Híbrida: La función de evolución $F_{ev}$ combina:
  1. Término Basado en Física: Un equilibrio de fuerzas lineal estándar derivado de mecánicas conocidas (rigidez, amortiguamiento).
  2. Término Caja Negra: Una Red Neuronal de Grafos (GNN) que aprende las fuerzas no lineales residuales (p. ej., rigidez cúbica, no linealidad de hueco).
• Objetivo de Entrenamiento: En lugar de minimizar solo el error de observación, el modelo se entrena utilizando una Pérdida Informada por Física basada en el residuo del equilibrio de fuerzas ($r_i = m\ddot{u} + \xi - f$). Esto asegura que las dinámicas aprendidas se adhieran a las leyes de Newton, reduciendo la necesidad de conjuntos de datos masivos y el ajuste manual de pesos de pérdida.

C. Filtro de Kalman Extendido de Grafo (Inferencia Online)

• Integración: El modelo PiGGO pre-entrenado sirve como modelo de transición de estado dentro de un bucle EKF.
• Cuantificación de la Incertidumbre: El EKF maneja la incertidumbre en la forma del modelo y el ruido de medición mediante:
  • Propagación de la media y la covarianza del estado.
  • Cálculo de la Ganancia de Kalman para corregir predicciones basadas en mediciones escasas y ruidosas.
  • Proporcionando estimaciones conscientes de la incertidumbre (intervalos de confianza) para todas las variables de estado.
• Estrategia: El marco utiliza una estrategia de entrenamiento desacoplada:
  1. Offline: Entrenar a PiGGO para aprender una representación generalizable de las dinámicas del sistema.
  2. Online: Incrustar el modelo entrenado en el EKF para corregir desviaciones y ruido en tiempo real.

3. Contribuciones Clave

1. Marco Unificado: Introduce PiGGO, el primer marco que combina GNODEs guiadas por física con filtrado bayesiano recursivo para sensado virtual en línea de estructuras no lineales.
2. Sesgo Inductivo Guiado por Física: Demuestra cómo la incorporación de mecánicas estructurales (balances de fuerzas, equivariancia geométrica) en la arquitectura de la GNN mejora la generalización y reduce la dependencia de datos.
3. Robustez frente a la Incertidumbre: Muestra que el enfoque híbrido supera tanto a GNODEs en bucle abierto como a EKF estándar al tratar con:
   • Incertidumbre en la forma del modelo: Variaciones en parámetros estructurales (p. ej., rigidez, amortiguamiento) no vistas durante el entrenamiento.
   • Sensado Escaso: Estimación precisa incluso cuando el 75–87.5% de los nodos no están medidos.
4. Predicción Consciente de la Incertidumbre: El componente EKF proporciona estimaciones de covarianza posterior que capturan eficazmente el error del modelo y el ruido, ofreciendo intervalos de confianza fiables para aplicaciones críticas de seguridad.

4. Resultados

El marco fue evaluado en dos estudios de caso numéricos:

1. Matriz Aleatoria de Celosías: Un sistema con rigidez no lineal cúbica.
2. Matriz de Celosías de Puente: Un sistema con no linealidad angular de hueco no suave.

Hallazgos Clave:

• Rendimiento Offline: El modelo PiGGO aprendió con precisión las dinámicas durante el entrenamiento, coincidiendo con la verdad fundamental para desplazamiento, velocidad y aceleración.
• Generalización Online:
  • GNODE en Bucle Abierto: Cuando se aplicó a estructuras más grandes e invisibles con parámetros variables, el modelo en bucle abierto sufrió de deriva de fase y errores de amplitud significativos debido a errores de integración acumulados.
  • PiGGO-EKF: El esquema de filtrado redujo significativamente los errores. Para la matriz aleatoria, el Error Cuadrático Medio Normalizado (NMSE) para el desplazamiento disminuyó de 24.5 (bucle abierto) a 0.3 (EKF).
  • Celosía de Puente: Se observaron mejoras similares, con el EKF corrigiendo el sesgo y la deriva inherentes a las predicciones en bucle abierto.
• Estimación de Incertidumbre: Las estimaciones de covarianza posterior del EKF envolvieron con éxito las respuestas reales del sistema, mientras que el modelo en bucle abierto no proporcionó ninguna cuantificación de la incertidumbre.

5. Significado e Impacto

• Gemelos Digitales para SHM: El trabajo proporciona una solución escalable y robusta para la Monitorización de la Salud Estructural (SHM), permitiendo la creación de gemelos digitales que pueden operar de manera fiable a pesar del conocimiento incompleto de los parámetros del sistema y los datos limitados de sensores.
• Cerrando la Brecha: Cierra eficazmente la brecha entre la interpretabilidad de los modelos basados en física y la flexibilidad del aprendizaje basado en datos.
• Aplicabilidad Práctica: La estrategia de entrenamiento/inferencia desacoplada hace que el enfoque sea computacionalmente viable para aplicaciones en tiempo real, evitando el alto costo del entrenamiento de extremo a extremo de redes neuronales-EKF.
• Direcciones Futuras: Los autores sugieren extender el marco para manejar comportamientos no suaves locales (p. ej., daño localizado) y explorar topologías de grafos adaptativas donde la matriz de adyacencia sea en sí misma una variable latente.

En resumen, PiGGO representa un avance significativo en el Aprendizaje Automático Mejorado por Física (PEML), ofreciendo un método fiable para monitorear infraestructuras complejas y no lineales donde los métodos tradicionales fallan debido a la incertidumbre y la escasez.