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

Résumé Technique : WaveGraphNet

Énoncé du Problème
La surveillance intégrée de la santé des structures (SHM) par ondes guidées vise à détecter et localiser des dommages dans des matériaux composites, tels que des plaques en polymère renforcé de fibres de carbone (CFRP), en utilisant des réseaux épars de transducteurs piézoélectriques. Un défi critique dans ce domaine est le problème de « l'extrapolation spatiale » : les modèles entraînés sur un ensemble limité de localisations de dommages étiquetées fonctionnent souvent bien sur les régions observées mais échouent à généraliser vers des zones non vues de la structure. Cette limitation découle du fait que l'inférence des coordonnées d'un défaut à partir de mesures de type « émission-réception » (pitch-catch) éparse constitue un problème inverse faiblement contraint. Les approches d'apprentissage automatique existantes traitent généralement les données des capteurs comme des tableaux ou des images, échouant à modéliser explicitement la topologie relationnelle du réseau de transducteurs. De plus, les modèles de régression supervisée standards peuvent prédire des coordonnées numériquement plausibles mais physiquement incohérentes avec la redistribution réelle de l'énergie des ondes à travers le réseau de détection, en particulier lors de l'extrapolation au-delà du domaine d'entraînement.

Méthodologie : WaveGraphNet
L'article propose WaveGraphNet, un cadre d'apprentissage de graphes couplé inverse–direct conçu pour résoudre l'ambiguïté de la localisation par ondes guidées éparse. L'innovation centrale réside dans l'intégration d'un modèle direct appris comme régulariseur physiquement cohérent pour la tâche de localisation inverse.

1. Formulation par Graphes :

   • Le réseau de détection est explicitement modélisé comme un graphe où les transducteurs sont des nœuds et les chemins de propagation sont des arêtes.
   • Branche Inverse ($G_{inv}$) : Utilise tous les chemins de propagation mesurés ($P$) pour mapper des descripteurs spectraux structurés par graphe des réponses différentielles des ondes guidées vers une coordonnée de défaut ($\hat{p}$). Cette branche emploie des réseaux d'attention de graphes (GAT) pour agréger l'information provenant de chemins hétérogènes.
   • Branche Directe ($G_{fwd}$) : Utilise un sous-ensemble de chemins traversant la plaque ($P_f$) pour prédire les motifs de déviation d'énergie par chemin ($\Delta E$) induits par une localisation de défaut candidate. Cette branche prend une coordonnée candidate en entrée et produit la redistribution d'énergie attendue.

2. Stratégie d'Entraînement Couplé :
   Le cadre est entraîné en trois étapes pour assurer la stabilité et un apprentissage efficace :

   • Étape I (Pré-entraînement Inverse) : La branche inverse est entraînée uniquement sur la perte de localisation ($L_{loc}$) pour mapper les mesures vers des coordonnées.
   • Étape II (Pré-entraînement Direct) : La branche directe est entraînée pour prédire les déviations d'énergie à partir de coordonnées de vérité terrain.
   • Étape III (Optimisation Couplée) : La branche inverse est affinée tandis que la branche directe est figée. La fonction de perte totale ($L_{total}$) combine :
     • Perte de Localisation : Minimise la distance entre les coordonnées prédites et réelles.
     • Perte de Cohérence Directe : Pénalise les prédictions inverses qui, lorsqu'elles sont passées à travers le modèle direct figé, produisent des motifs de déviation d'énergie incohérents avec les données mesurées.
     • Perte de Correction Physique : Utilise le gradient de la perte de cohérence directe pour guider la prédiction inverse vers une région physiquement cohérente.

3. Régression Unifiée :
   Le modèle gère à la fois les états endommagés et non endommagés au sein d'un seul cadre de régression en attribuant aux échantillons non endommagés une coordonnée cible fixe « sans dommage » située en dehors du domaine admissible de la plaque. Cela élimine le besoin d'un classificateur de détection de dommages séparé.

Contributions Clés

• Formulation Basée sur les Graphes : Les auteurs formulent la localisation de dommages par ondes guidées éparse comme un problème de régression graphe-coordonnée, représentant explicitement les transducteurs comme des nœuds et les chemins de propagation comme des arêtes pour capturer la structure relationnelle.
• Cadre Inverse-Direct Couplé : Ils introduisent une architecture novatrice où un modèle direct appris de la déviation d'énergie par chemin agit comme une contrainte de cohérence, régularisant la localisation inverse pour assurer la plausibilité physique.
• Évaluation de l'Extrapolation Spatiale : L'étude définit et évalue deux splits train-test tenus à l'écart spatialement (Split A et Split B) sur le benchmark OGW-1 (Open Guided Wave). Ces splits sont conçus spécifiquement pour tester l'extrapolation vers des zones de dommages non vues plutôt que l'interpolation simple.
• Gestion Unifiée Dommage/Sans Dommage : Le cadre intègre les états intacts et endommagés dans le même espace de sortie, simplifiant le pipeline d'inférence.

Résultats
Le cadre a été évalué sur le benchmark SHM Plate OGW-1 en utilisant deux splits de rétention spatiale d'une difficulté croissante.

• Performance d'Extrapolation : Le WaveGraphNet couplé a obtenu l'erreur absolue moyenne (MAE) la plus faible dans les zones non vues par rapport aux bases non graphiques (1D-CNN, LSTM) et aux bases graphiques (GNN-MLP, GAT). Dans le scénario plus difficile Split B, le modèle couplé a réduit la MAE des zones non vues de 0,383 (GAT) à 0,262.
• Taux de Faux Positifs (FPR) : Le modèle couplé a atteint un FPR de 0,0 % sur les échantillons non endommagés tenus à l'écart dans les deux splits, tandis que d'autres modèles ont présenté des faux positifs significatifs (jusqu'à 94,4 % pour LSTM).
• Ablation : La variante « Inverse-Seulement » de WaveGraphNet a obtenu les meilleures performances sur les régions observées (interpolation) mais a performé moins bien que le modèle couplé sur les régions non vues. Cela indique que le couplage de cohérence directe améliore spécifiquement la généralisation spatiale plutôt que de simplement ajuster les données d'entraînement.

Signification et Revendications
L'article revendique que WaveGraphNet démontre le potentiel de la combinaison de représentations de graphes relationnels avec des contraintes de cohérence directe guidées par la physique pour améliorer la généralisation spatiale en SHM. Les auteurs soulignent que :

• Les protocoles d'évaluation standards utilisant des splits train-test aléatoires peuvent surestimer les performances de localisation ; les splits tenus à l'écart spatialement révèlent des écarts de généralisation significatifs.
• L'approche inverse-directe couplée réduit l'ambiguïté du problème inverse en assurant que les coordonnées prédites sont compatibles avec la redistribution mesurée de l'énergie des ondes.
• Le cadre offre une stratégie robuste pour la localisation par ondes guidées sous couverture spatiale limitée, une contrainte courante dans le déploiement réel.

Les auteurs présentent modestement l'étude comme une étude de cas expérimentale contrôlée sur le jeu de données OGW-1 plutôt que comme une validation complète de déploiement. Ils reconnaissent que des travaux futurs sont nécessaires pour évaluer la robustesse face à la variabilité environnementale, à la dérive des capteurs et aux scénarios de dommages multiples.