🤖 machine learning

Green Physics-Informed Machine Learning Models For Structural Health Monitoring

Cet article évalue l'impact environnemental des modèles de surveillance de l'intégrité structurelle en démontrant comment les approches « boîtes grises » informées par la physique peuvent atteindre des performances d'extrapolation élevées avec des coûts de calcul et des émissions de carbone réduits par rapport aux modèles « boîtes noires » purement fondés sur les données.

Auteurs originaux : Daisy R Bradley, Elizabeth J Cross

Publié 2026-05-01

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Daisy R Bradley, Elizabeth J Cross

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez d'enseigner à un robot comment prédire la manière dont un pont ou une aile d'avion va vibrer lorsque le vent souffle. Habituellement, nous enseignons aux robots en utilisant une approche de « Boîte Noire » : nous leur fournissons des milliers de photos du pont dans différentes conditions de vent et nous disons : « Apprenez le motif. » Cela fonctionne, mais c'est comme essayer d'apprendre à nager en lisant un million de livres sur l'eau sans jamais entrer dans la piscine. Cela prend beaucoup de temps, beaucoup d'énergie, et si le robot rencontre un motif de vent qu'il n'a jamais vu auparavant, il risque de se confondre.

Ce papier introduit une méthode plus intelligente appelée « Apprentissage Automatique Informé par la Physique Verte ». Imaginez cela comme donner au robot un Professeur de Natation (la physique) en plus des livres. Au lieu de simplement mémoriser des données, on indique au robot les règles de base du mouvement de l'eau (ou du métal). C'est ce qu'on appelle un modèle de « Boîte Grise », car il mélange des données et des connaissances humaines.

Voici une répartition simple de ce que les auteurs, Daisy Bradley et Elizabeth Cross, ont fait et découvert :

1. L'Objectif : Économiser de l'Énergie (La Partie « Verte »)

Les ordinateurs utilisent de l'électricité, et la production de cette électricité génère souvent des émissions de carbone (comme la fumée d'une usine). Les auteurs voulaient savoir : Enseigner à un robot avec des règles de physique économise-t-il de l'énergie par rapport à simplement lui fournir des données ?

Ils ont comparé trois types de « robots » (modèles mathématiques) :

Noir-1 (L'Apprenant Pur) : Il n'a aucune connaissance préalable. Il doit tout apprendre à partir de zéro en utilisant uniquement des données.
Gris-1 (L'Étudiant avec un Indice) : Il connaît les règles générales de la physique mais doit encore déterminer les détails spécifiques (comme la période exacte d'une vibration) en examinant les données.
Gris-2 (L'Expert) : Il connaît parfaitement les règles de la physique et n'a pas besoin de deviner les détails du tout.

2. L'Expérience : Le « Jouet » et la « Réalité »

Ils ont testé ces modèles de deux manières :

La Boîte à Jouets : Un problème mathématique simple (comme une ligne ondulée) pour observer le comportement des modèles.
La Réalité : Un test réel en laboratoire sur une petite aile d'avion en métal (la structure GARTEUR) pour vérifier si cela tient bon dans le monde réel.

La Grande Découverte :
Les modèles dotés de connaissances physiques (les Boîtes Grises) avaient besoin de beaucoup moins de données pour faire correctement le travail.

L'« Apprenant Pur » avait besoin de 80 % des données pour obtenir une bonne réponse.
L'« Expert » (Gris-2) n'avait besoin que de 20 % des données pour obtenir la même bonne réponse.

3. Le Problème : Complexité contre Données

Voici la nuance. Enseigner la physique à un robot rend ce dernier légèrement plus complexe à construire (il a plus de « boutons » ou de paramètres à régler).

Dans le test simple de la « Boîte à Jouets » : Le modèle « Expert » était le gagnant. Parce qu'il avait besoin de si peu de données, il a terminé son travail super vite, en utilisant la quantité d'électricité la plus faible. Les économies réalisées grâce au besoin de moins de données étaient plus importantes que le coût de la complexité supplémentaire.
Dans le test réel de l'avion : C'était un peu plus mitigé. Parfois, la complexité supplémentaire du modèle physique le faisait prendre plus de temps et d'énergie, surtout lorsque la quantité de données était très faible. Cependant, lorsqu'ils ont utilisé un ensemble de données plus dense (plus de points à apprendre), le modèle « Expert » a brillé à nouveau, utilisant 89 % moins d'énergie que l'apprenant pur.

4. La Conclusion

Les auteurs concluent que ajouter la physique à l'apprentissage automatique, c'est comme donner une carte à un étudiant.

Si vous marchez sur une courte distance (petits ensembles de données), porter la carte peut sembler être un poids supplémentaire.
Mais si vous marchez sur une longue distance (grands problèmes d'ingénierie complexes), avoir la carte signifie que vous n'avez pas à vous promener en devinant. Vous arrivez à destination beaucoup plus vite, économisant une énorme quantité d'énergie.

En résumé : En mélangeant les connaissances humaines en ingénierie avec l'apprentissage informatique, nous pouvons enseigner aux machines à faire leur travail avec moins de données, ce qui signifie qu'elles fonctionnent plus vite et brûlent moins de carbone, rendant ainsi la surveillance de l'intégrité structurelle (vérifier si les ponts et les avions sont sûrs) plus durable.

1. Énoncé du problème

L'article aborde l'impact environnemental croissant du Machine Learning (ML) en ingénierie, spécifiquement dans le domaine de la Surveillance de l'Intégrité Structurelle (SHM). Bien que le ML soit de plus en plus utilisé pour des tâches de régression et de classification en ingénierie, les approches purement basées sur les données (« boîtes noires ») présentent des limitations significatives :

Pénurie de données : Elles échouent souvent à se généraliser à des conditions environnementales ou opérationnelles (EOCs) non vues où les données d'entraînement sont indisponibles.
Coût computationnel élevé : Pour atteindre une haute précision, les modèles boîte noire nécessitent typiquement des ensembles de données massifs, entraînant des temps d'entraînement longs et des émissions de carbone élevées.

Les auteurs émettent l'hypothèse que le Machine Learning Informé par la Physique (PIML) ou les modèles « boîtes grises », qui intègrent des connaissances physiques dans l'architecture du modèle, peuvent réduire la quantité de données d'entraînement requise. La question centrale de la recherche est de savoir si la réduction des besoins en données (et donc du temps d'exécution) compense l'augmentation potentielle de la complexité du modèle causée par l'intégration de la physique, aboutissant in fine à des émissions de carbone plus faibles.

2. Méthodologie

L'étude emploie un cadre comparatif utilisant des modèles de régression par Processus Gaussiens (GP), choisis pour leur interprétabilité et leur flexibilité dans l'intégration de la physique sans altérer l'architecture de base.

A. Architecture du modèle

Trois modèles GP distincts ont été conçus pour tester différents niveaux de « grisité » (intégration de connaissances physiques) :

Black-1 (Boîte noire) : Un GP standard avec une moyenne constante et un noyau Exponentiel Carré (SE). Il possède 4 hyperparamètres à apprendre (échelle de longueur, variance de sortie, moyenne, bruit).
Grey-1 (Semi-physique) : Un noyau SE multiplié par un noyau Périodique (agissant comme un proxy pour l'insight physique concernant la périodicité du système). Le paramètre de période est borné dans une marge de 10 % de la valeur vraie. Il possède 6 hyperparamètres.
Grey-2 (Haute physique) : Similaire à Grey-1, mais le paramètre de période est fixé à la valeur vraie (non optimisé pendant l'entraînement). Il possède 5 hyperparamètres.

B. Configuration expérimentale

L'étude a utilisé deux cas de test :

Cas Toy-box : Une surface synthétique définie par $y = \sqrt{|x_2|} \sin(4x_1)$ , conçue pour tester les capacités d'extrapolation.
Cas Ingénierie (SHM) : Données réelles provenant du benchmark GARTEUR (une structure d'avion métallique). La tâche consistait à prédire les réponses d'accélération spatialement et temporellement. Deux dispositions de données ont été testées :
- Originale : Points de données espars.
- Suréchantillonnée : Points de données plus denses (200 points pour 10 % de couverture).

C. Métriques d'évaluation et outils

Seuil de performance : Les modèles ont été entraînés avec une couverture de données variable (intervalles de 10 %) jusqu'à ce qu'ils atteignent une Erreur Quadratique Moyenne Normalisée (NMSE) < 10.
Estimation carbone : Le package CodeCarbon a été utilisé pour estimer les émissions en $gCO_2e$ basées sur le temps d'exécution, la Puissance Thermique de Conception (TDP) du CPU et l'intensité carbone de l'électricité.
Matériel : Les expériences ont été exécutées sur un Dell Inspiron 5680 (Intel Core i7-8700, 32 Go de RAM).

3. Contributions clés

Lentille verte sur le PIML : Il s'agit du premier travail évaluant explicitement les modèles PIML à travers le prisme de la durabilité environnementale (émissions de carbone) plutôt que de la seule précision prédictive.
Analyse des compromis : L'étude quantifie le compromis entre la complexité du modèle (nombre d'hyperparamètres) et l'efficacité des données. Elle démontre que l'intégration de la physique réduit les données nécessaires pour atteindre un objectif de performance, mais augmente le coût computationnel par itération en raison du plus grand nombre d'hyperparamètres.
Insight sur l'évolutivité : Les auteurs établissent que, tandis que les modèles simples montrent des résultats mitigés, le potentiel d'économie de carbone du PIML s'accentue considérablement avec des ensembles de données plus volumineux, où la réduction du volume de données d'entraînement domine le coût accru de la complexité.

4. Résultats

Les résultats indiquent que le bénéfice environnemental du PIML dépend fortement de la taille de l'ensemble de données et de la configuration spécifique de l'intégration physique.

Métrique	Cas Toy-box	GARTEUR (Original)	GARTEUR (Suréchantillonné)
Réduction des données	Grey-2 a nécessité 75 % de données en moins que Black-1.	Grey-2 a nécessité 57 % de données en moins.	Grey-2 a nécessité 75 % de données en moins.
Émissions ( $gCO_2e$ )	Grey-2 a réduit les émissions de 73,7 % (0,124 vs 0,471).	Grey-2 a augmenté les émissions de 31,9 % (0,0984 vs 0,0746).	Grey-2 a réduit les émissions de 89,7 % (0,209 vs 2,04).
Facteur clé	La réduction des données a surpassé le coût des hyperparamètres.	La petite taille des données a fait que le coût d'optimisation des hyperparamètres a dominé.	La grande taille des données a fait que les économies de réduction des données ont dominé.

Toy-box et GARTEUR Suréchantillonné : Les modèles informés par la physique (en particulier Grey-2) ont atteint la précision cible avec significativement moins de données. La réduction résultante du temps d'entraînement a conduit à des économies de carbone massives (jusqu'à une réduction d'environ 90 %).
GARTEUR Original : En raison de la très petite taille de l'ensemble de données, la surcharge computationnelle liée à l'optimisation d'hyperparamètres supplémentaires dans les modèles boîte grise a surpassé le temps gagné grâce à la réduction du nombre de points de données, entraînant des émissions légèrement supérieures par rapport au modèle boîte noire.

5. Importance et conclusion

L'article conclut que le Machine Learning Informé par la Physique est une stratégie viable pour le « Calcul Vert » en ingénierie, mais son succès est conditionnel à l'échelle de l'ensemble de données.

Petits ensembles de données : La surcharge liée à l'apprentissage de paramètres physiques supplémentaires peut annuler les avantages de la réduction des besoins en données.
Grands ensembles de données : La complexité cubique de l'entraînement des GP ( $O(N^3)$ ) signifie qu'une réduction même modeste de la taille des données d'entraînement ( $N$ ) conduit à des réductions exponentielles du temps d'exécution et des émissions de carbone. Dans ces scénarios, le « coût » des hyperparamètres supplémentaires est négligeable par rapport aux économies réalisées grâce à la réduction des données.

Travaux futurs : Les auteurs prévoient d'étendre cette recherche à des modèles à plus grande échelle (par exemple, Réseaux de Neurones et PINNs) et à des problèmes d'ingénierie plus complexes pour valider que cette tendance se maintient lorsque les modèles passent à des niveaux industriels. L'étude fournit un cadre fondamental pour que les ingénieurs conçoivent des modèles ML durables en équilibrant explicitement l'insight physique contre la charge computationnelle.