Robust and Explainable 3D Mode Shape Recognition Using Region-Aware Graph Neural Networks

Resumen Técnico: Reconocimiento de Formas Modales 3D Robusto y Explicable mediante Redes de Grafos Conscientes de Regiones

Planteamiento del Problema
El reconocimiento de formas modales en la estructura de la carrocería (Body-in-White o BiW) es una tarea crítica en el desarrollo de Ruido, Vibración y Harshness (NVH) automotriz, que tradicionalmente depende de la inspección visual manual realizada por ingenieros experimentados. Los enfoques automatizados existentes enfrentan tres limitaciones principales:

1. Falta de Transferibilidad: Los métodos actuales, a menudo basados en heurísticas de ingeniería, el Criterio de Aseguramiento Modal (MAC) o representaciones de IA dependientes de la geometría, tienen dificultades para generalizarse a través de diferentes arquitecturas de vehículos, mallas de elementos finitos (FE) y configuraciones de medición experimental.
2. Escasez de Datos: La obtención de etiquetas de modos revisadas por expertos es costosa y lenta, lo que provoca una severa escasez de etiquetas en los conjuntos de datos industriales.
3. Brecha de Explicabilidad: Muchos modelos de IA funcionan como cajas negras, fallando al no proporcionar predicciones que se alineen con la intuición de la ingeniería o con las entidades estructurales específicas (por ejemplo, pilares, estribos laterales) utilizadas por los ingenieros durante la evaluación modal.

Consecuentemente, el valioso conocimiento de ingeniería permanece fragmentado y los modelos de IA no pueden reutilizarse fácilmente a través de datos históricos o diferentes programas de vehículos.

Metodología
El artículo propone un Marco de Aprendizaje de Grafos Consciente de Regiones construido sobre una Representación de Grafo de Ingeniería Canónica. La filosofía central es desacoplar la semántica de la ingeniería de la discretización numérica, permitiendo que el aprendizaje ocurra sobre conceptos de ingeniería persistentes en lugar de topologías de malla específicas del vehículo.

El marco opera a través de cuatro etapas clave:

1. Representación de Grafo de Ingeniería Canónica:

   • Los modelos de FE heterogéneos y los armazones (wireframes) experimentales se transforman en un grafo semántico común.
   • Los Nodos representan regiones estructurales definidas por la ingeniería y persistentes (por ejemplo, rieles del techo, pilares A/B/C, estribos laterales, estructuras del piso) en lugar de nodos de FE individuales.
   • Las Aristas codifican relaciones físicamente significativas, incluyendo la adyacencia estructural, la simetría izquierda-derecha, el acoplamiento de trayectoria de carga longitudinal y el acoplamiento vertical techo-piso.
   • Características: Las características de los nodos son descriptores regionales independientes de la geometría (media/RMS de desplazamiento, dirección dominante, respuesta vertical con signo, energía de deformación) agregados a partir de los datos originales. Los atributos de las aristas capturan características de interacción como la concordancia de fase y el acoplamiento.

2. Aprendizaje de Grafos Consciente de Regiones:

   • Una Red de Atención de Grafos (GAT) propaga la información entre las regiones de ingeniería para aprender las interacciones estructurales asociadas con los modos de vibración.
   • Fusión de Características Basada en la Ingeniería: En lugar de depender únicamente de embeddings aprendidos, el marco concatena el embedding global del grafo ($z_{GNN}$) con descriptores regionales analíticos informados por la ingeniería ($z_{eng}$) (por ejemplo, fracciones de energía del piso/techo). Esta fusión ayuda a distinguir familias de modos físicamente similares.

3. Predicción Jerárquica:

   • El modelo emplea una estrategia de clasificación jerárquica que imita los procesos de revisión de ingeniería: primero predice el mecanismo dominante (Nivel 1: torsión, flexión, bombeo), luego refina hacia subtipos (Nivel 2).
   • El entrenamiento utiliza una función de objetivo multitarea que equilibra las pérdidas de entropía cruzada de Nivel 1 y Nivel 2.

4. Generación de Conjuntos de Datos:

   • Para abordar la escasez de etiquetas, los autores utilizan una estrategia de aumento de datos guiada por la física. Partiendo de un pequeño conjunto de modos revisados por expertos, generan variantes estructurales mediante modificaciones de rigidez controladas en modelos de vigas conceptuales.
   • Las etiquetas se transfieren automáticamente utilizando MAC dentro del conjunto de datos aumentado, ya que el armazón de ingeniería subyacente permanece constante.
   • El conjunto de datos de referencia comprende cuatro programas de vehículos heterogéneos (dos simulaciones de FE, dos pruebas experimentales) con variaciones en el número de nodos y topologías, todos mapeados al mismo grafo canónico.

Contribuciones Clave

1. Representación de Grafo de Ingeniería Canónica: Una representación novedosa que mapea modelos de BiW heterogéneos en un espacio semántico común independiente de la topología de la malla y la configuración de los sensores. Esto permite un aprendizaje robusto a través de diferentes arquitecturas de vehículos y fuentes de datos.
2. Marco de Aprendizaje de Grafos Consciente de Regiones: Una arquitectura de aprendizaje que combina mecanismos de atención de grafos con descriptores regionales explícitos informados por la ingeniería para lograr una clasificación de forma modal jerárquica y explicable.
3. Transferibilidad Demostrada entre Vehículos: Validación que muestra que el marco logra una alta precisión de clasificación y transferibilidad a través de diferentes programas de vehículos, discretizaciones de FE y configuraciones experimentales bajo una escasez severa de etiquetas, sin requerir topologías de malla idénticas.

Resultados Experimentales
El marco fue validado en un benchmark multi-vehículo que contiene 310 muestras de entrenamiento aumentadas y un conjunto de prueba retenido de cuatro programas de vehículos distintos.

• Precisión: El enfoque de entrenamiento multi-vehículo logró una precisión de Nivel 1 del 100% y una precisión de Nivel 2 del 98.7% (99.2% combinada) en el conjunto de prueba retenido. En contraste, un modelo entrenado solo en un vehículo de referencia logró solo un 81.6% de precisión de Nivel 2 en vehículos no vistos.
• Transferibilidad: El modelo se generalizó con éxito a programas de vehículos con solo 2 a 5 etiquetas revisadas manualmente, demostrando que la representación aprendida captura conceptos de ingeniería persistentes en lugar de artefactos numéricos específicos del vehículo.
• Explicabilidad: Los mapas de atención y las puntuaciones de importancia de las características corresponden directamente a regiones estructurales reconocibles (por ejemplo, conexiones pilar-estribo para torsión, acoplamiento techo-piso para flexión), alineándose con las interpretaciones de ingeniería establecidas.

Significado y Reivindicaciones
El artículo afirma que la barrera principal para la IA de ingeniería transferible no es la sofisticación de la arquitectura de la red neuronal, sino la representación de los datos de ingeniería. Al cambiar de las discretizaciones de malla dependientes de la geometría a una representación canónica basada en la semántica de ingeniería persistente, el marco permite:

• Reutilización del Conocimiento: El conocimiento histórico de ingeniería puede acumularse y transferirse a través de sucesivos programas de vehículos en lugar de reaprenderlo desde cero.
• IA Confiable: Las predicciones son físicamente interpretables, lo que permite a los ingenieros verificar las decisiones contra mecanismos estructurales conocidos.
• Escalabilidad Industrial: El enfoque reduce la necesidad de un extenso reentrenamiento específico para cada vehículo y de grandes conjuntos de datos anotados, haciendo que el despliegue de la IA sea factible en flujos de trabajo industriales con recursos limitados.

Los autores concluyen que la Representación de Grafo de Ingeniería Canónica sirve como una abstracción de ingeniería reutilizable, proporcionando una base para una IA confiable y transferible a través de flujos de trabajo heterogéneos de simulación y experimentación en el desarrollo automotriz.