🤖 machine learning

Green Physics-Informed Machine Learning Models For Structural Health Monitoring

Este artículo evalúa el impacto ambiental de los modelos de monitorización de la salud estructural al demostrar cómo los enfoques de "caja gris" informados por la física pueden lograr un alto rendimiento extrapolativo con costes computacionales y emisiones de carbono reducidos en comparación con los modelos de "caja negra" puramente basados en datos.

Autores originales: Daisy R Bradley, Elizabeth J Cross

Publicado 2026-05-01

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Daisy R Bradley, Elizabeth J Cross

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñar a un robot a predecir cómo vibrará un puente o el ala de un avión cuando sopla el viento. Por lo general, enseñamos a los robots utilizando un enfoque de "Caja Negra": les damos miles de fotos del puente en diferentes vientos y decimos: "Aprende el patrón". Esto funciona, pero es como intentar aprender a nadar leyendo un millón de libros sobre el agua sin meterse nunca en la piscina. Requiere mucho tiempo, mucha energía, y si el robot ve un patrón de viento que no ha visto antes, podría confundirse.

Este artículo introduce una forma más inteligente llamada "Aprendizaje Automático Informado por la Física Verde". Piensa en esto como darle al robot un Instructor de Natación (la física) junto con los libros. En lugar de solo memorizar datos, se le dicen al robot las reglas básicas de cómo se mueve el agua (o el metal). Esto se llama un modelo de "Caja Gris" porque es una mezcla de datos y conocimiento humano.

Aquí está el desglose simple de lo que hicieron y descubrieron las autoras, Daisy Bradley y Elizabeth Cross:

1. El Objetivo: Ahorrar Energía (La Parte "Verde")

Las computadoras usan electricidad, y generar esa electricidad a menudo crea emisiones de carbono (como el humo de una fábrica). Las autoras querían saber: ¿Enseñar a un robot con reglas de física ahorra energía en comparación con solo darle datos?

Compararon tres tipos de "robots" (modelos matemáticos):

Negro-1 (El Aprendiz Puro): No tiene conocimiento previo. Debe aprender todo desde cero usando solo datos.
Gris-1 (El Estudiante con una Pista): Conoce las reglas generales de la física pero aún tiene que descubrir los detalles específicos (como el período exacto de una vibración) observando los datos.
Gris-2 (El Experto): Conoce las reglas de la física perfectamente y no necesita adivinar los detalles en absoluto.

2. El Experimento: El "Juguete" y la "Realidad"

Probaron estos modelos de dos maneras:

La Caja de Juguetes: Un problema matemático simple (como una línea ondulada) para ver cómo se comportan los modelos.
La Realidad: Una prueba real en laboratorio de un pequeño ala de avión de metal (la estructura GARTEUR) para ver si resiste en el mundo real.

El Gran Descubrimiento:
Los modelos con conocimiento de física (las Cajas Grises) necesitaron muchos menos datos para hacer el trabajo correctamente.

El "Aprendiz Puro" necesitó el 80% de los datos para obtener una buena respuesta.
El "Experto" (Gris-2) solo necesitó el 20% de los datos para obtener la misma buena respuesta.

3. El Problema: Complejidad vs. Datos

Aquí está el giro. Enseñar física a un robot lo hace ligeramente más complicado de construir (tiene más "perillas" o configuraciones para ajustar).

En la prueba simple de "Juguete": El modelo "Experto" fue el ganador. Como necesitaba tan pocos datos, terminó su trabajo súper rápido, usando la menor cantidad de electricidad. Los ahorros por necesitar menos datos fueron mayores que el costo de la complejidad adicional.
En la prueba "Real" del avión: Fue un poco más mixto. A veces, la complejidad adicional del modelo de física hizo que tomara más tiempo y energía, especialmente cuando la cantidad de datos era muy pequeña. Sin embargo, cuando usaron un conjunto de datos más denso (más puntos para aprender), el modelo "Experto" brilló de nuevo, usando 89% menos energía que el aprendiz puro.

4. La Conclusión

Las autoras concluyen que agregar física al aprendizaje automático es como darle un mapa a un estudiante.

Si caminas una distancia corta (conjuntos de datos pequeños), cargar el mapa puede sentirse como un peso extra.
Pero si caminas una distancia larga (problemas de ingeniería grandes y complejos), tener el mapa significa que no tienes que vagar adivinando. Llegas al destino mucho más rápido, ahorrando una gran cantidad de energía.

En resumen: Al mezclar el conocimiento de ingeniería humana con el aprendizaje de las computadoras, podemos enseñar a las máquinas a hacer su trabajo con menos datos, lo que significa que funcionan más rápido y queman menos carbono, haciendo que la monitorización de la salud estructural (verificar si los puentes y aviones son seguros) sea más sostenible.

A continuación se presenta un resumen técnico detallado del artículo "Modelos de Aprendizaje Automático Informados por Física Verdes para la Monitorización de la Salud Estructural" de Bradley y Cross.

1. Planteamiento del Problema

El artículo aborda el creciente impacto ambiental del Aprendizaje Automático (ML) en la ingeniería, específicamente dentro de la Monitorización de la Salud Estructural (SHM). Aunque el ML se utiliza cada vez más para tareas de regresión y clasificación en ingeniería, los enfoques puramente basados en datos ("cajas negras") tienen limitaciones significativas:

Escasez de Datos: A menudo no logran generalizar a condiciones ambientales u operativas (EOC) no vistas donde no hay datos de entrenamiento disponibles.
Alto Coste Computacional: Para lograr una alta precisión, los modelos de caja negra suelen requerir conjuntos de datos masivos, lo que conduce a tiempos de entrenamiento prolongados y altas emisiones de carbono.

Los autores hipotetizan que el Aprendizaje Automático Informado por Física (PIML) o los modelos de "caja gris", que incorporan conocimiento físico en la arquitectura del modelo, pueden reducir la cantidad de datos de entrenamiento requeridos. La pregunta central de investigación es si la reducción en los requisitos de datos (y por tanto, el tiempo de ejecución) compensa el posible aumento en la complejidad del modelo causado por la incorporación de la física, resultando finalmente en menores emisiones de carbono.

2. Metodología

El estudio emplea un marco comparativo utilizando modelos de regresión de Procesos Gaussianos (GP), elegidos por su interpretabilidad y flexibilidad para incorporar física sin alterar la arquitectura central.

A. Arquitectura del Modelo

Se diseñaron tres modelos GP distintos para probar diferentes niveles de "grises" (integración de conocimiento físico):

Black-1 (Caja negra): Un GP estándar con una media constante y un kernel Exponencial Cuadrático (SE). Tiene 4 hiperparámetros que aprender (escala de longitud, varianza de salida, media, ruido).
Grey-1 (Física semi): Un kernel SE multiplicado por un kernel Periódico (actuando como un proxy para la intuición física sobre la periodicidad del sistema). El parámetro de periodo está acotado dentro del 10% del valor real. Tiene 6 hiperparámetros.
Grey-2 (Alta física): Similar a Grey-1, pero el parámetro de periodo está fijado en el valor real (no se optimiza durante el entrenamiento). Tiene 5 hiperparámetros.

B. Configuración Experimental

El estudio utilizó dos casos de prueba:

Caso Toy-box: Una superficie sintética definida por $y = \sqrt{|x_2|} \sin(4x_1)$ , diseñada para probar capacidades de extrapolación.
Caso de Ingeniería (SHM): Datos del mundo real del benchmark GARTEUR (una estructura de avión metálica). La tarea fue predecir respuestas de aceleración espacial y temporalmente. Se probaron dos disposiciones de datos:
- Original: Puntos de datos dispersos.
- Muestreado hacia arriba (Upsampled): Puntos de datos más densos (200 puntos por cada 10% de cobertura).

C. Métricas de Evaluación y Herramientas

Umbral de Rendimiento: Los modelos se entrenaron con cobertura de datos variable (intervalos del 10%) hasta que lograron un Error Cuadrático Medio Normalizado (NMSE) < 10.
Estimación de Carbono: Se utilizó el paquete CodeCarbon para estimar las emisiones en $gCO_2e$ basadas en el tiempo de ejecución, la Potencia de Diseño Térmico (TDP) de la CPU y la intensidad de carbono de la electricidad.
Hardware: Los experimentos se ejecutaron en un Dell Inspiron 5680 (Intel Core i7-8700, 32 GB de RAM).

3. Contribuciones Clave

Lente Verde sobre PIML: Este es el primer trabajo que evalúa explícitamente los modelos PIML a través de la lente de la sostenibilidad ambiental (emisiones de carbono) en lugar de solo la precisión predictiva.
Análisis de Compensación: El estudio cuantifica la compensación entre la complejidad del modelo (número de hiperparámetros) y la eficiencia de datos. Demuestra que incorporar física reduce los datos necesarios para alcanzar un objetivo de rendimiento, pero aumenta el coste computacional por iteración debido a más hiperparámetros.
Perspectiva de Escalabilidad: Los autores establecen que, aunque los modelos simples muestran resultados mixtos, el potencial de ahorro de carbono del PIML escala significativamente con conjuntos de datos más grandes, donde la reducción en el volumen de datos de entrenamiento domina el coste de la complejidad aumentada.

4. Resultados

Los resultados indican que el beneficio ambiental del PIML depende en gran medida del tamaño del conjunto de datos y de la configuración específica de la integración física.

Métrica	Caso Toy-box	GARTEUR (Original)	GARTEUR (Muestreado hacia arriba)
Reducción de Datos	Grey-2 requirió 75% menos datos que Black-1.	Grey-2 requirió 57% menos datos.	Grey-2 requirió 75% menos datos.
Emisiones ( $gCO_2e$ )	Grey-2 redujo las emisiones en un 73.7% (0.124 vs 0.471).	Grey-2 aumentó las emisiones en un 31.9% (0.0984 vs 0.0746).	Grey-2 redujo las emisiones en un 89.7% (0.209 vs 2.04).
Factor Clave	La reducción de datos compensó el coste de los hiperparámetros.	El pequeño tamaño de los datos significó que el coste de optimización de hiperparámetros dominó.	El gran tamaño de los datos significó que los ahorros por reducción de datos dominaron.

Toy-box y GARTEUR Muestreado hacia arriba: Los modelos informados por física (especialmente Grey-2) alcanzaron la precisión objetivo con significativamente menos datos. La reducción resultante en el tiempo de entrenamiento condujo a ahorros masivos de carbono (hasta una reducción de ~90%).
GARTEUR Original: Debido al tamaño muy pequeño del conjunto de datos, la sobrecarga computacional de optimizar hiperparámetros adicionales en los modelos de caja gris compensó el tiempo ahorrado al tener menos puntos de datos, resultando en emisiones ligeramente superiores en comparación con el modelo de caja negra.

5. Significado y Conclusión

El artículo concluye que el Aprendizaje Automático Informado por Física es una estrategia viable para la "Informática Verde" en ingeniería, pero su éxito es condicional a la escala del conjunto de datos.

Conjuntos de Datos Pequeños: La sobrecarga de aprender parámetros físicos adicionales puede anular los beneficios de los requisitos reducidos de datos.
Conjuntos de Datos Grandes: La complejidad cúbica del entrenamiento de GP ( $O(N^3)$ ) significa que incluso una reducción modesta en el tamaño de los datos de entrenamiento ( $N$ ) conduce a reducciones exponenciales en el tiempo de ejecución y las emisiones de carbono. En estos escenarios, el "coste" de hiperparámetros adicionales es insignificante en comparación con los ahorros derivados de la reducción de datos.

Trabajo Futuro: Los autores planean extender esta investigación a modelos de mayor escala (por ejemplo, Redes Neuronales y PINN) y problemas de ingeniería más complejos para validar que esta tendencia se mantiene a medida que los modelos escalan a niveles industriales. El estudio proporciona un marco fundamental para que los ingenieros diseñen modelos de ML sostenibles equilibrando explícitamente la intuición física con la carga computacional.