🔢 mathematics

PDE-constrained optimization for virtual sensing in structural dynamics: Full-field displacement and force recovery from sparse sensors

यह शोध पत्र एक GPU-त्वरित (accelerated) PDE-प्रतिबंधित अनुकूलन ढांचे को प्रस्तुत करता है जो स्पार्स सेंसर मापों से पूर्ण-क्षेत्र विस्थापन और बल वितरण को संयुक्त रूप से पुनर्प्राप्त करता है, जो मोड विस्तार विधियों की तुलना में काफी अधिक सटीकता प्रदर्शित करता है, जैसा कि कैंटिलीवर प्लेट से लेकर परमाणु रिएक्टर दबाव पात्र तक के तेजी से जटिल संरचनात्मक उदाहरणों पर प्रदर्शित किया गया है।

मूल लेखक: Minjae Kim, Jaehwan Jeong, Jaemin Kim

प्रकाशित 2026-06-30

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Minjae Kim, Jaehwan Jeong, Jaemin Kim

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक विशाल, जटिल मशीन है, जैसे कि एक परमाणु रिएक्टर या एक विशाल पुल। आप यह जानना चाहते हैं कि उसका हर एक हिस्सा ठीक कैसे हिल रहा है और अदृश्य बल कहाँ से धक्का दे रहे हैं या खींच रहे हैं। लेकिन आप हर जगह सेंसर नहीं लगा सकते; आपके पास केवल बाहर चिपके हुए कुछ छोटे माइक्रोफोन (एक्सेलेरोमीटर) हैं।

यह शोध पत्र एक नया "सुपर-स्मार्ट" तरीका प्रस्तुत करता है जिससे आप उन कुछ छोटे सुरागों से पूरी कहानी का पता लगा सकते हैं। लेखक इसे वर्चुअल सेंसिंग (Virtual Sensing) कहते हैं।

यहाँ बताया गया है कि उन्होंने यह कैसे किया और यह पुराने तरीके से बेहतर क्यों है।

पुराना तरीका: एक "छोटी सूची" के साथ अनुमान लगाना (मोडल एक्सपेंशन)

पुराने तरीके को एक जटिल गाने को केवल उसकी पहली कुछ धुनें गुनगुनाकर समझाने की कोशिश करने जैसा समझें।

यह कैसे काम करता है: इंजीनियर आमतौर पर यह मान लेते हैं कि मशीन कुछ सरल, पूर्व-निर्धारित पैटर्न में कंपन करती है (जैसे कि एक गाने के मुख्य सुर)। वे कुछ सेंसरों को सुनते हैं, उन सुरों से मिलान करने की कोशिश करते हैं, और फिर उस छोटी सूची के आधार पर बाकी गाने का अनुमान लगाते हैं।
समस्या: यदि मशीन कुछ जटिल करती है (जैसे कि किसी क्लैंप के पास एक तीखी आवाज़ निकालना), तो उस "छोटी सूची" में वे सुर नहीं होते। अनुमान गलत हो जाता है। साथ ही, यदि वे यह पता लगाने की कोशिश करते हैं कि बल कहाँ से आ रहा है, तो वे इसे रिवर्स-इंजीनियर करने के लिए एक गणितीय ट्रिक का उपयोग करते हैं, जिससे अक्सर उन जगहों पर भी "भूतिया बल" (ghost forces) दिखाई देने लगते हैं जहाँ वास्तव में मशीन को कुछ भी छू नहीं रहा होता।

नया तरीका: "भौतिकी का जासूस" (PDE-कन्स्ट्रेंड ऑप्टिमाइज़ेशन)

लेखक एक ऐसा नया तरीका प्रस्तावित करते हैं जो एक सख्त जासूस की तरह काम करता है जो भौतिकी के नियमों को कभी नहीं तोड़ता।

सेटअप: एक छोटी सूची के अंदाज़े लगाने के बजाय, वे मशीन के एक पूर्ण, विस्तृत डिजिटल ट्विन (एक कंप्यूटर मॉडल जिसमें हज़ारों छोटे हिस्से हैं) का उपयोग करते हैं।
नियम: वे कंप्यूटर को बताते हैं: "आपको वे अदृश्य बल खोजने होंगे जो, इस डिजिटल मॉडल पर लागू होने पर, बाहर के कुछ सेंसरों को बिल्कुल वैसे ही हिलाएंगे जैसे वास्तविक सेंसर हिल रहे हैं।"
जादू: कंप्यूटर केवल अनुमान नहीं लगाता। यह एक विशाल पहेली को हल करता है जहाँ "भौतिकी के नियम" (वे समीकरण जो यह तय करते हैं कि स्टील कैसे मुड़ता और हिलता है) इसके नियम हैं। यह समाधान को इस तरह मजबूर करता है कि वह हर एक बिंदु पर भौतिक रूप से संभव हो, न कि केवल उन स्थानों पर जहाँ सेंसर लगे हैं।

रचनात्मक सादृश्य: अंधेरा कमरा और टॉर्च

एक अंधेरे कमरे (मशीन) की कल्पना करें जहाँ आप कुछ देख नहीं सकते, लेकिन आपके पास कुछ छोटे दर्पण (सेंसर) हैं जो थोड़ी रोशनी परावर्तित कर रहे हैं।

पुराना तरीका: आप उन कुछ दर्पणों में दिखने वाले प्रतिबिंबों को देखकर कमरे के आकार का अनुमान लगाने की कोशिश करते हैं। आप सामान्य आकार को सही पकड़ सकते हैं, लेकिन आप कोनों और विवरणों को छोड़ देंगे। यदि आप यह अनुमान लगाने की कोशिश करते हैं कि लाइट बल्ब कहाँ है, तो आपको लग सकता है कि वह कमरे के बीच में है जबकि वह वास्तव में कोने में है।
नया तरीका: आपके पास कमरे का एक सटीक 3D ब्लूप्रिंट है। आप कंप्यूटर से पूछते हैं: "यदि मैं यहाँ एक लाइट बल्ब रखूँ, तो क्या दर्पण वही दिखाएंगे जो मैं देख रहा हूँ? क्या होगा अगर मैं इसे वहाँ रखूँ?" कंप्यूटर एक सेकंड के एक अंश में लाखों सिमुलेशन चलाता है, प्रकाश के नियमों (भौतिकी) का उपयोग करके यह सुनिश्चित करता है कि प्रतिबिंबों को आपके अवलोकन से मेल खाना ही चाहिए। यह लाइट बल्ब के सटीक स्थान और कमरे के सटीक आकार को खोज लेता है, यहाँ तक कि उन अंधेरे कोनों में भी जहाँ आपके पास कोई दर्पण नहीं है।

यह शोध पत्र क्यों महत्वपूर्ण है

लेखकों ने इसका परीक्षण तीन चीजों पर किया: एक सपाट धातु की प्लेट, एक मुड़ा हुआ पाइप और एक विशाल परमाणु रिएक्टर प्रेशर वेसल।

यह अधिक सटीक है: हर परीक्षण में, उनका नया तरीका मशीन के पूरे मूवमेंट की भविष्यवाणी करने में पुराने तरीके से बहुत बेहतर था। सपाट प्लेट के लिए, यह पुराने तरीके की तुलना में 17 गुना अधिक सटीक था।
यह "भूतिया" बलों को ढूंढ निकालता है: पुराना तरीका अक्सर मशीन के बीच में नकली बल बना देता था। नया तरीका सही ढंग से पहचानता है कि बल केवल उस विशिष्ट किनारे या आंतरिक सतह पर था जहाँ वह वास्तव में मौजूद था।
यह उपयोग के लिए पर्याप्त तेज़ है: इन विशाल पहेलियों को हल करने में आमतौर पर बहुत समय लगता है। लेकिन लेखकों ने एक विशेष ट्रिक (एक शक्तिशाली ग्राफिक्स कार्ड, या GPU, का उपयोग करना, जैसे गेमिंग कंप्यूटर में होता है) का उपयोग किया जिससे इसकी गति 64 गुना बढ़ गई। यह इस "वर्चुअल सेंसिंग" को लगभग रियल-टाइम में संभव बनाता है।

निष्कर्ष

यह शोध पत्र दिखाता है कि समस्या को एक साधारण पैटर्न-मैचिंग गेम के बजाय एक सख्त भौतिकी पहेली के रूप में मानकर, हम कुछ बाहरी सेंसरों को सुनकर पूरी मशीन के अंदर की स्थिति को "देख" सकते हैं और अदृश्य बलों को खोज सकते हैं। यह स्ट्रक्चरल हेल्थ के लिए एक्स-रे विजन रखने जैसा है, लेकिन यह पूरी तरह से गणित और कंप्यूटर के माध्यम से किया जाता है।

तकनीकी सारांश: संरचनात्मक गतिशीलता में वर्चुअल सेंसिंग के लिए PDE-प्रतिबंधित अनुकूलन (PDE-Constrained Optimization)

समस्या विवरण
वर्चुअल सेंसिंग—स्पार्स सेंसर मापन (sparse sensor measurements) से पूर्ण-क्षेत्र संरचनात्मक प्रतिक्रियाओं (विस्थापन, स्ट्रेन, त्वरण) और लागू बलों की रिकवरी—स्ट्रक्चरल हेल्थ मॉनिटरिंग (SHM), थकान मूल्यांकन (fatigue assessment), और क्षति का पता लगाने के लिए एक महत्वपूर्ण क्षमता है। जबकि संरचनात्मक गतिशीलता समुदाय ने इस उद्देश्य के लिए मोडल एक्सपेंशन (modal expansion) को व्यापक रूप से अपनाया है, इस पद्धति में मौलिक सीमाएँ हैं। मोडल एक्सपेंशन विस्थापन को डोमिनेंट आइगेनमोड्स ( $N_d$ ) के एक ट्रंकेटेड सेट के रैखिक संयोजन के रूप में दर्शाता है, जहाँ $N_d$ सेंसरों की संख्या ( $N_s$ ) द्वारा सीमित है। यह दृष्टिकोण मोडल ट्रंकेशन एरर (modal truncation error) उत्पन्न करता है, विशेष रूप से पतली संरचनाओं में जहाँ उच्च-आवृत्ति वाले मोड महत्वपूर्ण होते हैं। इसके अलावा, मोडल एक्सपेंशन विशुद्ध रूप से काइनेमैटिक है; यह भौतिक नियमों को लागू किए बिना मोड शेप्स पर सेंसर डेटा को फिट करता है। फलस्वरूप, यह अनऑब्जर्व्ड डिग्री ऑफ फ्रीडम (DOFs) तक जानकारी को भौतिक कानूनों के माध्यम से प्रसारित नहीं कर सकता है, जिससे सेंसर स्थानों से दूर सटीक पुनर्निर्माण (reconstruction) में त्रुटि होती है। इसके अतिरिक्त, मोडल एक्सपेंशन के माध्यम से बल रिकवरी (बैक-कैलकुलेशन) अस्थिर है, क्योंकि डायनेमिक स्टिफनेस ऑपरेटर ट्रंकेशन त्रुटियों को बढ़ाता है और बलों को विशिष्ट सीमाओं तक स्थानीयकृत करने में विफल रहता है।

कार्यप्रणाली
यह अध्ययन वर्चुअल सेंसिंग को एक PDE-प्रतिबंधित अनुकूलन (PDE-CO) समस्या के रूप में तैयार करता है। मोडल एक्सपेंशन के विपरीत, जो समस्या को एक निम्न-आयामी मोडल स्पेस में कम कर देता है, PDE-CO पूर्ण-क्रम (full-order) परिमित तत्व (finite element - FE) प्रणाली पर कार्य करता है।

फॉर्मूलेशन (Formulation):
- शासी समीकरण (Governing Equation): हार्मोनिक उत्तेजना (harmonic excitation) के तहत रैखिक इलास्टोडायनामिक समीकरण एक समानता बाधा (equality constraint) के रूप में कार्य करता है: $D_{ff}(\omega)\hat{U}_f = \hat{F}_f$ , जहाँ $D_{ff} = K_{ff} - \omega^2 M_{ff}$ डायनेमिक स्टिफनेस मैट्रिक्स है, $\hat{U}_f$ फ्री-DOF विस्थापन है, और $\hat{F}_f$ बाहरी बल है।
- अनुकूलन चर (Optimization Variable): अज्ञात बल वितरण को $\hat{F}_f = P\theta$ के रूप में पैरामीटराइज किया गया है, जहाँ $\theta$ कैंडिडेट लोडेड DOFs पर बल आयामों का वेक्टर है और $P$ एक बूलियन सिलेक्शन मैट्रिक्स है।
- उद्देश्य फलन (Objective Function): लक्ष्य प्रेडिक्टेड और ऑब्जर्व्ड सेंसर त्वरणों के बीच मिसफिट को कम करना है, जिसे टिखोनोव टर्म (Tikhonov term) द्वारा नियमित (regularize) किया गया है:
  $\min_{\theta} J(\theta) = \| -\omega^2 S_f D_{ff}^{-1} P \theta - \hat{a}_{obs} \|^2 + \alpha \|\theta\|^2$
  यहाँ, $S_f$ सेंसर सिलेक्शन मैट्रिक्स है, और $\alpha$ रेगुलराइजेशन वेट है।
समाधान रणनीति (Solution Strategy):
- रिड्यूस्ड-स्पेस अप्रोच (Reduced-Space Approach): प्रत्येक ट्रायल $\theta$ के लिए PDE बाधा को हल करके $\hat{U}_f$ को समाप्त कर दिया जाता है, जिससे समस्या $\theta$ पर एक अनकन्स्ट्रेंड ऑप्टिमाइज़ेशन में बदल जाती है।
- ग्रेडिएंट कंप्यूटेशन (Gradient Computation): एडजॉइंट समीकरणों को मैन्युअल रूप से व्युत्पन्न करने के बजाय, फ्रेमवर्क JAX लाइब्रेरी के माध्यम से रिवर्स-मोड ऑटोमैटिक डिफरेंशिएशन (AD) का उपयोग करता है। यह लीनियर सॉल्वर ( $D_{ff}^{-1}$ ) के माध्यम से डिफरेंशिएट करके $\nabla_\theta J$ को स्वचालित रूप से कंप्यूट करता है, जो प्रभावी रूप से एडजॉइंट सॉल्व ( $D_{ff}^\top \lambda = w$ ) को इंप्लिसिटली (implicitly) निष्पादित करता है।
- अनुकूलन एल्गोरिदम (Optimization Algorithm): L-BFGS क्वाजी-न्यूटन विधि $\theta$ को अपडेट करने के लिए इटरेशन करती है ताकि ऑब्जेक्टिव फंक्शन को मिनिमाइज किया जा सके। प्रत्येक इटरेशन के लिए एक फॉरवर्ड सॉल्व और एक एडजॉइंट सॉल्व की आवश्यकता होती है (दोनों $D_{ff}$ के LU फैक्टराइजेशन का पुन: उपयोग करते हैं)।
- इम्प्लीमेंटेशन पाइपलाइन (Implementation Pipeline): फ्रेमवर्क एक ऑफलाइन स्टेज (CPU पर FEniCSx) जो FE असेंबली और मैट्रिक्स जनरेशन करता है, को एक ऑनलाइन स्टेज (GPU पर JAX) के साथ जोड़ता है जो डिफरेंशिएबल ऑप्टिमाइज़ेशन और रिकंस्ट्रक्शन करता है।

प्रमुख योगदान

नवल फ्रेमवर्क (Novel Framework): यह कंपन सेंसरों से स्पार्स वाइब्रेशन डेटा से फुल-फील्ड विस्थापन और बल प्राप्त करने के लिए PDE-CO का पहला अनुप्रयोग है, जो मोडल ट्रंकेशन की सीमाओं से आगे बढ़ता है।
संयुक्त रिकवरी (Joint Recovery): यह विधि एक ही ऑप्टिमाइज़ेशन लूप के भीतर फुल-फील्ड विस्थापन और लागू बल वितरण को एक साथ रिकवर करती है, जिससे यह सुनिश्चित होता है कि समाधान हर इटरेशन में शासी PDE के साथ भौतिक रूप से सुसंगत है।
डिफरेंशिएबल सिमुलेशन (Differentiable Simulation): FEniCSx और JAX का एकीकरण कुशल ग्रेडिएंट कंप्यूटेशन के लिए AD के माध्यम से कुशल ग्रेडिएंट गणना सक्षम करता है, जिससे मैन्युअल एडजॉइंट व्युत्पत्ति की आवश्यकता समाप्त हो जाती है और फ्रेमवर्क को स्वाभाविक रूप से नॉन-लीनियर समस्याओं तक विस्तार करने की अनुमति मिलती है।
GPU एक्सेलरेशन (GPU Acceleration): कार्यान्वयन फुल-ऑर्डर FE सिस्टम द्वारा आवश्यक डेंस लीनियर सोल्व को संभालने के लिए GPU एक्सेलरेशन (NVIDIA RTX 5070 Ti) का लाभ उठाता है, जिससे CPU-आधारित दृष्टिकोणों की तुलना में महत्वपूर्ण स्पीडअप प्राप्त होता है।

संख्यात्मक परिणाम (Numerical Results)
फ्रेमवर्क को बढ़ती जटिलता वाले तीन बेंचमार्क समस्याओं पर सत्यापित किया गया: एक कैंटिलीवर प्लेट, एक 90° एल्बो पाइप, और एक रिएक्टर प्रेशर वेसल (RPV)। सभी मामलों में, PDE-CO ने विस्थापन रिकवरी सटीकता में मोडल एक्सपेंशन से बेहतर प्रदर्शन किया और श्रेष्ठ बल स्थानीयकरण (force localization) प्रदान किया।

केस	ज्योमेट्री/लोड	सेंसर	मोडल एक्सपेंशन एरर ( $\epsilon_u$ )	PDE-CO एरर ( $\epsilon_u$ )	सुधार
कैंटिलीवर प्लेट	पतली प्लेट, टिप लोड	4	7.69%	0.45%	17×
एल्बो पाइप	घुमावदार पाइप, टिप लोड	8	1.11%	0.28%	4.0×
RPV	न्यूक्लियर वेसल, इनर सरफेस लोड	36	1.86%	0.885%	2.1×

विस्थापन सटीकता (Displacement Accuracy): PDE-CO ने लगातार सब-परसेंट सटीकता प्राप्त की। सुधार सबसे नाटकीय था पतली प्लेट के लिए, जहाँ मोडल ट्रंकेशन ने बेसलाइन पद्धति को गंभीर रूप से खराब कर दिया था।
बल रिकवरी (Force Recovery): मोडल एक्सपेंशन के विपरीत, जो स्प्यूरियस (spurious), गैर-स्थानीयकृत बल अनुमान उत्पन्न करता है, PDE-CO ने सही ढंग से लोडिंग क्षेत्रों (जैसे प्लेट/पाइप के लिए फ्री-एंड फेस और RPV के लिए इनर सरफेस) की पहचान की।
कंप्यूटेशनल प्रदर्शन (Computational Performance): हालांकि PDE-CO, मोडल एक्सपेंशन की तुलना में अधिक कंप्यूटेशनल रूप से गहन है, GPU एक्सेलरेशन ने RPV केस के लिए 64.8× तक की स्पीडअप प्रदान की (प्रति-इटरेशन सॉल्व समय को ~7.6s से घटाकर ~0.15s कर दिया), जिससे बड़े पैमाने का ऑप्टिमाइज़ेशन संभव हुआ।

महत्व और दावे (Significance and Claims)
लेखक दावा करते हैं कि PDE-CO, मोडल ट्रंकेशन एरर को समाप्त करके और शासी PDE के माध्यम से भौतिक निरंतरता को लागू करके, मोडल एक्सपेंशन के एक मजबूत विकल्प के रूप में कार्य करता है। डायनेमिक स्टिफनेस ऑपरेटर के माध्यम से स्पार्स सेंसर सूचना को पूरे डोमेन में प्रसारित करने की इसकी क्षमता, सेंसरों से दूर क्षेत्रों में भी सटीक पुनर्निर्माण की अनुमति देती है।

महत्वपूर्ण रूप से, पेपर इस बात पर प्रकाश डालता है कि फोर्स आइडेंटिफिकेशन (force identification) PDE-CO का एक विशिष्ट लाभ है। जबकि मोडल एक्सपेंशन केवल अस्थिर बैक-कैलकुलेशन के माध्यम से बल अनुमान प्राप्त कर सकता है, PDE-CO बल को प्राथमिक ऑप्टिमाइज़ेशन वेरिएबल के रूप में मानता है, जिसे विस्थापन के साथ संयुक्त रूप से ऑप्टिमाइज़ किया जाता है। यह क्षमता उन स्ट्रक्चरल हेल्थ मॉनिटरिंग परिदृश्यों के लिए विशेष रूप से महत्वपूर्ण है जिनमें दुर्गम सतहें (जैसे प्रेशर वेसल की आंतरिक दीवार) शामिल हैं, जहाँ प्रत्यक्ष मापन असंभव है।

अध्ययन निष्कर्ष निकालता है कि जबकि मोडल एक्सपेंशन अनुकूल सेंसर-टू-मोड अनुपात वाली मोटी दीवारों वाली संरचनाओं के लिए एक मजबूत बेसलाइन बना हुआ है, PDE-CO बेहतर सटीकता और अद्वितीय बल स्थानीयकरण क्षमताएं प्रदान करता है, विशेष रूप से पतली संरचनाओं या जटिल लोडिंग स्थितियों के लिए। इनका फ्रेमवर्क, डिफरेंशिएबल सिमुलेशन और GPU एक्सेलरेशन पर आधारित है, जो इसे स्ट्रक्चरल डायनेमिक्स के लिए रियल-टाइम, फिजिक्स-बेस्ड डिजिटल ट्विन्स की ओर एक व्यवहार्य मार्ग के रूप में स्थापित करता है।

पुराना तरीका: एक "छोटी सूची" के साथ अनुमान लगाना (मोडल एक्सपेंशन)

नया तरीका: "भौतिकी का जासूस" (PDE-कन्स्ट्रेंड ऑप्टिमाइज़ेशन)

रचनात्मक सादृश्य: अंधेरा कमरा और टॉर्च

यह शोध पत्र क्यों महत्वपूर्ण है

निष्कर्ष

इसी तरह के और पेपर