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

Resumen Técnico: WaveGraphNet

Enunciado del Problema
La monitorización de la salud estructural (SHM) mediante ondas guiadas tiene como objetivo detectar y localizar daños en materiales compuestos, como placas de polímero reforzado con fibra de carbono (CFRP), utilizando redes dispersas de transductores piezoeléctricos. Un desafío crítico en este dominio es el problema de la "extrapolación espacial": los modelos entrenados con un conjunto limitado de ubicaciones de daño etiquetadas suelen rendir bien en regiones vistas, pero fallan al generalizar a áreas no vistas de la estructura. Esta limitación surge porque inferir las coordenadas de un defecto a partir de mediciones dispersas de tipo "pitch-catch" es un problema inverso débilmente restringido. Los enfoques existentes de aprendizaje automático suelen tratar los datos de los sensores como arrays o imágenes, sin modelar explícitamente la topología relacional de la red de transductores. Además, los modelos estándar de regresión supervisada pueden predecir coordenadas numéricamente plausibles que son físicamente inconsistentes con la redistribución real de la energía de la onda a través de la red de sensores, especialmente al extrapolar más allá del dominio de entrenamiento.

Metodología: WaveGraphNet
El artículo propone WaveGraphNet, un marco de aprendizaje de grafos acoplado inverso-adelante diseñado para abordar la ambigüedad de la localización de ondas guiadas dispersas. La innovación central es la integración de un modelo hacia adelante aprendido como un regularizador consistente con la física para la tarea de localización inversa.

1. Formulación en Grafos:

   • La red de sensores se modela explícitamente como un grafo donde los transductores son nodos y las rutas de propagación son aristas.
   • Rama Inversa ($G_{inv}$): Utiliza todas las rutas de propagación medidas ($P$) para mapear descriptores espectrales con estructura de grafo de las respuestas diferenciales de ondas guiadas hacia una coordenada de defecto ($\hat{p}$). Esta rama emplea Redes de Atención de Grafos (GAT) para agregar información de rutas heterogéneas.
   • Rama Adelante ($G_{fwd}$): Utiliza un subconjunto de rutas que abarcan la placa ($P_f$) para predecir los patrones de desviación de energía por ruta ($\Delta E$) inducidos por una ubicación de defecto candidata. Esta rama toma una coordenada candidata como entrada y produce la redistribución de energía esperada.

2. Estrategia de Entrenamiento Acoplado:
   El marco se entrena en tres etapas para garantizar estabilidad y aprendizaje efectivo:

   • Etapa I (Pre-entrenamiento Inverso): La rama inversa se entrena únicamente con la pérdida de localización ($L_{loc}$) para mapear mediciones a coordenadas.
   • Etapa II (Pre-entrenamiento Adelante): La rama adelante se entrena para predecir desviaciones de energía basadas en coordenadas de verdad fundamental.
   • Etapa III (Optimización Acoplada): La rama inversa se ajusta fino mientras la rama adelante se mantiene congelada. La función de pérdida total ($L_{total}$) combina:
     • Pérdida de Localización: Minimiza la distancia entre las coordenadas predichas y las reales.
     • Pérdida de Consistencia Adelante: Penaliza las predicciones inversas que, al pasarlas por el modelo adelante congelado, producen patrones de desviación de energía inconsistentes con los datos medidos.
     • Pérdida de Corrección Física: Utiliza el gradiente de la pérdida de consistencia adelante para guiar la predicción inversa hacia una región físicamente consistente.

3. Regresión Unificada:
   El modelo maneja tanto los estados dañados como los no dañados dentro de un único marco de regresión asignando a las muestras no dañadas una coordenada objetivo fija de "sin daño" ubicada fuera del dominio admisible de la placa. Esto elimina la necesidad de un clasificador separado para la detección de daños.

Contribuciones Clave

• Formulación Basada en Grafos: Los autores formulan la localización de daños por ondas guiadas dispersas como un problema de regresión de grafo a coordenada, representando explícitamente los transductores como nodos y las rutas de propagación como aristas para capturar la estructura relacional.
• Marco Inverso-Adelante Acoplado: Introducen una arquitectura novedosa donde un modelo hacia adelante aprendido de desviación de energía por ruta actúa como una restricción de consistencia, regularizando la localización inversa para garantizar la plausibilidad física.
• Evaluación de Extrapolación Espacial: El estudio define y evalúa dos divisiones entrenamiento-prueba con datos retenidos espacialmente (División A y División B) en el punto de referencia Open Guided Wave (OGW)-1. Estas divisiones están diseñadas específicamente para probar la extrapolación a zonas de daño no vistas en lugar de una simple interpolación.
• Manejo Unificado de Daño/Sin Daño: El marco incrusta los estados prístinos y dañados en el mismo espacio de salida, simplificando el pipeline de inferencia.

Resultados
El marco se evaluó en el punto de referencia OGW-1 SHM Plate utilizando dos divisiones con datos retenidos espacialmente de dificultad creciente.

• Rendimiento de Extrapolación: WaveGraphNet acoplado logró el menor Error Absoluto Medio (MAE) en zonas no vistas en comparación con las líneas base no gráficas (1D-CNN, LSTM) y las líneas base gráficas (GNN-MLP, GAT). En el escenario más difícil de la División B, el modelo acoplado redujo el MAE de la zona no vista de 0.383 (GAT) a 0.262.
• Tasa de Falsos Positivos (FPR): El modelo acoplado logró una FPR del 0.0% en muestras no dañadas retenidas en ambas divisiones, mientras que otros modelos exhibieron falsos positivos significativos (hasta un 94.4% para LSTM).
• Ablación: La variante "Solo Inverso" de WaveGraphNet logró el mejor rendimiento en regiones vistas (interpolación), pero tuvo un rendimiento peor que el modelo acoplado en regiones no vistas. Esto indica que el acoplamiento de consistencia adelante mejora específicamente la generalización espacial en lugar de simplemente ajustar los datos de entrenamiento.

Significado y Afirmaciones
El artículo afirma que WaveGraphNet demuestra el potencial de combinar representaciones gráficas relacionales con restricciones de consistencia hacia adelante guiadas por la física para mejorar la generalización espacial en SHM. Los autores enfatizan que:

• Los protocolos de evaluación estándar que utilizan divisiones aleatorias entrenamiento-prueba pueden sobreestimar el rendimiento de localización; las divisiones con datos retenidos espacialmente revelan brechas significativas de generalización.
• El enfoque inverso-adelante acoplado reduce la ambigüedad en el problema inverso asegurando que las coordenadas predichas sean compatibles con la redistribución medida de la energía de la onda.
• El marco ofrece una estrategia robusta para la localización por ondas guiadas bajo cobertura espacial limitada, una restricción común en la implementación en el mundo real.

Los autores enmarcan modestamente el estudio como un caso de estudio experimental controlado en el conjunto de datos OGW-1 en lugar de una validación exhaustiva de implementación. Reconocen que se requiere trabajo futuro para evaluar la robustez bajo variabilidad ambiental, deriva de sensores y escenarios de múltiples defectos.