Résumé Technique : SHM-Agents

Énoncé du Problème

Dans le domaine de la Surveillance de l'Intégrité des Structures (SHM), les algorithmes spécialisés existants sont efficaces mais souffrent de barrières élevées à la mise en œuvre, d'une interopérabilité limitée et de procédures d'entraînement complexes. Les utilisateurs font généralement face à des flux de travail fragmentés où ils doivent comprendre et opérer plusieurs modules algorithmiques indépendants dotés d'interfaces incompatibles. Cela nécessite un investissement temporel considérable dans la préparation des données, l'entraînement des modèles, le déploiement de l'inférence et la coordination manuelle des flux de travail. De plus, bien que les Grands Modèles de Langage (LLM) aient démontré des capacités remarquables en compréhension du langage naturel, leur limitation inhérente à produire des sorties principalement textuelles les empêche d'exécuter indépendamment des tâches d'ingénierie complexes. Les systèmes SHM actuels manquent d'une solution intégrée capable de faire le lien de manière transparente entre les commandes en langage naturel et l'exécution algorithmique spécialisée.

Méthodologie

Pour répondre à ces défis, les auteurs proposent SHM-Agents, un système d'agents intégré généraliste-spécialiste. Ce système exploite les capacités de raisonnement et de planification des LLM généralistes tout en intégrant les forces de résolution de problèmes des algorithmes SHM spécialisés.

Architecture du Système

L'architecture est modulaire et se compose de trois composants principaux :

1. Nœuds Agents de Processus : Ces nœuds orchestrent le flux de travail.
   • Nœud Architecture : Génère des plans d'exécution de tâches basés sur les entrées utilisateur et les détails algorithmiques.
   • Nœud Allocation : Évalue le plan, formule des commandes spécifiques pour les nœuds de compétences, surveille l'exécution et gère la correction d'erreurs via un mécanisme « allocation-exécution-rétroaction-réallocation ».
   • Nœud Résumé : Encapsule le dialogue, résume les flux d'exécution et les résultats, et fournit un retour final à l'utilisateur.
2. Nœuds Agents de Compétences : Ces nœuds effectuent des tâches SHM spécifiques en utilisant des algorithmes dédiés. Le système comprend actuellement huit nœuds spécialisés (par exemple, Diagnostic d'Anomalies de Données, Identification Modale, Modélisation de Charges Véhiculaires, Calcul de Fatigue, Calcul de Fiabilité, RAG pour Questions-Réponses) et un « Autre Nœud » capable d'écrire et d'exécuter du code Python pour des tâches personnalisées telles que le traitement du signal ou l'ajustement de distributions.
3. Modules Globaux : Ils gèrent l'état du système et l'intégrité des données.
   • Module Algorithme : Stocke les spécifications d'entrée/sortie des algorithmes spécialisés pour assurer une invocation précise par le LLM.
   • Module Données : Gère les variables générées pendant l'exécution, assurant un transfert de données précis et une transformation de format entre les nœuds.
   • Module Configuration : Gère les configurations spécifiques aux ponts, y compris les modèles par éléments finis, les paramètres optimaux pour les algorithmes d'apprentissage profond et les détails de la base de données. Il prend en charge la pré-formation automatisée et la génération de configurations.
   • Module Mémoire : Stocke les informations de dialogue contextuelles pour maintenir l'historique de la conversation et le contexte.

Flux de Travail

Le système fonctionne sur un flux de travail « architecture–allocation–exécution–résumé ». Après réception d'une commande en langage naturel (et de données optionnelles), le nœud Architecture crée un plan. Le nœud Allocation décompose cela en sous-tâches, les assignant aux nœuds de Compétence appropriés. Si une erreur se produit, le nœud Allocation tente de régénérer les commandes ; si elle est irrésoluble, il signale l'incident à l'utilisateur. Enfin, le nœud Résumé compile les résultats.

Contributions Clés

L'article expose quatre contributions principales :

1. Architecture Système : Le développement de SHM-Agents, qui intègre un LLM comme noyau intelligent avec des algorithmes SHM spécialisés, démontrant de fortes capacités à organiser et exécuter des tâches complexes via un mécanisme de régulation par auto-rétroaction.
2. Exécution de Bout en Bout : La capacité d'exécuter des tâches SHM simples ou combinées via une interaction en langage naturel. Le système prend en charge la pré-formation de modèles profonds sans intervention humaine, simplifiant considérablement le déploiement d'algorithmes spécialisés.
3. Gestion Modulaire : L'introduction d'un Module Algorithme pour gérer divers algorithmes et d'un Module Données pour assurer un transfert de variables précis, facilitant l'invocation correcte des outils.
4. Évolutivité : Le système est conçu pour une haute évolutivité, permettant aux utilisateurs d'ajouter rapidement de nouveaux nœuds d'agents pour répondre à des tâches supplémentaires sans réviser le système de base.

Résultats Expérimentaux

Le système a été évalué sur un pont à haubans à grande portée en Chine. Les expériences ont démontré la capacité du système à effectuer avec précision et efficacité une large gamme de tâches, individuellement et en combinaison :

• Diagnostic et Récupération d'Anomalies de Données : Détection réussie d'anomalies (par exemple, données manquantes, valeurs aberrantes) et reconstruction des données en utilisant des informations d'alignement provenant de périodes temporelles adjacentes.
• Traitement du Signal : Le « Autre Nœud » a généré et exécuté de manière autonome du code Python pour effectuer des transformées de Fourier et en ondelettes, respectant des exigences de visualisation complexes.
• Identification Modale : Réalisation de l'identification modale structurelle sur des données reconstruites, identifiant avec succès les formes modales, les fréquences et les rapports d'amortissement.
• Analyse à Long Terme : Analyse des variations à long terme des paramètres modaux sur des intervalles de temps.
• Évaluation de la Fiabilité : Calcul de la fiabilité structurelle et de la probabilité de défaillance pour l'état actuel et les tendances projetées sur les 10 prochaines années, intégrant des modèles de corrosion.
• Estimation de Fatigue : Calcul des dommages de fatigue basés sur les charges véhiculaires générées à partir de données WIM.
• Calcul de Réponse Structurelle : Calcul du déplacement en travée sous des charges véhiculaires dynamiques en utilisant PyAnsys.
• Questions-Réponses sur les Connaissances : Utilisation d'un nœud de Génération Augmentée par Récupération (RAG) pour répondre à des questions spécifiques sur les matériaux et spécifications du pont basées sur des documents téléchargés.

Importance et Revendications

L'article revendique que SHM-Agents représente une étape significative vers la rationalisation des flux de travail SHM. En intégrant les LLM avec des algorithmes spécialisés, le système réduit la complexité de la construction d'agents et abaisse la barrière à l'entrée pour l'utilisation d'outils SHM avancés. Il permet aux non-experts d'effectuer des analyses d'ingénierie complexes et multi-étapes via le langage naturel.

Les auteurs notent que, bien que le système soit hautement efficace, sa précision de résolution de problèmes est directement corrélée aux capacités du LLM sous-jacent (par exemple, GPT-4o), atteignant une précision opérationnelle supérieure à 95 % mais non de 100 %. De plus, la qualité ultime des résultats reste conditionnée par la performance des algorithmes spécialisés sous-jacents. L'article conclut que, bien que certains algorithmes prévus (par exemple, détection visuelle des dommages de surface, simulation de jumeau numérique) ne soient pas encore implémentés, l'architecture modulaire permet leur ajout continu, offrant une voie flexible pour une expansion future.