AI-Enabled Structural Health Monitoring with Piezoelectric Sensors

स्ट्रक्चरल हेल्थ मॉनिटरिंग (संरचनात्मक स्वास्थ्य निगरानी) उन पुलों, विमानों और इमारतों पर निरंतर, शांत नज़र रखने का अभ्यास है जो हमारी आधुनिक दुनिया को थामे हुए हैं। किसी दरार के विनाशकारी विफलता में बदलने का इंतज़ार करने के बजाय, इंजीनियर सेंसर का उपयोग उन सूक्ष्म संकेतों को सुनने के लिए करते हैं जो मानवीय आँख द्वारा देखे जाने से बहुत पहले ही संकट के संकेत दे देते हैं। इस सुनने की प्रक्रिया के लिए सबसे प्रभावी उपकरणों में से एक एक विशेष प्रकार की सिरेमिक सामग्री है जिसे पीज़ोइलेक्ट्रिक ट्रांसड्यूसर (piezoelectric transducer) कहा जाता है। ये छोटे, चपटे पैच एक अद्वितीय क्षमता रखते हैं कि वे एक स्पीकर और माइक्रोफ़ोन दोनों के रूप में कार्य कर सकें। जब आप उन्हें एक छोटा विद्युत पल्स भेजते हैं, तो वे कंपन करते हैं और उस धातु के माध्यम से एक यांत्रिक तरंग (mechanical wave) भेजते हैं जिससे वे चिपके होते हैं। यदि वह धातु स्वस्थ है, तो तरंग सुचारू रूप से चलती है। यदि उसमें कोई दरार या दोष है, तो तरंग टकराती है, बिखर जाती है या अपनी गति बदल लेती है, और सेंसर इन परिवर्तित संकेतों को पकड़ लेता है। सिग्नल में होने वाले बदलावों का विश्लेषण करके, इंजीनियर यह निर्धारित कर सकते हैं कि क्या संरचना क्षतिग्रस्त है और क्षति कहाँ स्थित है।

हाल ही में एक अध्ययन में, बेंगलुरु, भारत के एम. एस. रामाय्या यूनिवर्सिटी ऑफ एप्लाइड साइंसेज के शोधकर्ताओं शशांक पडसालागी और हर्षिता पवार ने कंप्यूटर सिमुलेशन को आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) के साथ जोड़कर इस प्रक्रिया को और भी स्मार्ट बनाने की खोज की। उन्होंने एक साधारण एल्युमीनियम बीम पर ध्यान केंद्रित किया, जो कई हल्के ढांचों का एक सामान्य निर्माण खंड है, यह देखने के लिए कि क्या वे एक कंप्यूटर को केवल पीज़ोइलेक्ट्रिक सेंसर से प्राप्त विद्युत संकेतों को देखकर एक दरार को पहचानने के लिए प्रशिक्षित कर सकते हैं। टीम ने इस विशिष्ट प्रयोग के लिए प्रयोगशाला में भौतिक बीम का निर्माण नहीं किया; इसके बजाय, उन्होंने शक्तिशाली सिमुलेशन सॉफ्टवेयर के भीतर बीम का एक अत्यधिक विस्तृत 'डिजिटल ट्विन' बनाया। इस आभासी वातावरण ने उन्हें बीम के साथ दर्जनों अलग-अलग स्थानों पर एक दरार डालने और प्रत्येक नई स्थिति के जवाब में विद्युत संकेत कैसे बदला, इसका सटीक रिकॉर्ड रखने की अनुमति दी।

शोधकर्ताओं ने एक आयताकार एल्युमीनियम बीम का मॉडल तैयार करने से शुरुआत की जो 200 मिलीमीटर लंबा था। उन्होंने एक स्थान पर एक छोटा पीज़ोइलेक्ट्रिक पैच चिपकाया जो 'एक्टुएटर' (actuator) के रूप में कार्य करता है—जो सिग्नल भेजता है—और दूसरा पैच एक 'सेंसर' के रूप में लगाया जो सुनता है। इसके बाद, उन्होंने डिजिटल बीम में एक सिम्युलेटेड दरार पेश की, जिसे बीम की लंबाई के साथ 20 मिलीमीटर से 180 मिलीमीटर तक चरण-दर-चरण आगे बढ़ाया गया। इन 33 स्थितियों में से प्रत्येक पर, उन्होंने यह देखने के लिए एक सिमुलेशन चलाया कि विद्युत वोल्टेज समय के साथ कैसे उतार-चढ़ाव करता है। इन जटिल, बदलते वेवफॉर्म्स (waveforms) से, उन्होंने छह विशिष्ट संख्याएँ निकालीं जो सिग्नल के आकार और समय का वर्णन करती थीं, जैसे कि शिखर (peaks) कितने ऊँचे थे और सिग्नल कितनी तेज़ी से पहुँचा। चार अलग-अलग सुनने वाले बिंदुओं से प्राप्त डेटा को मिलाकर, उन्होंने प्रत्येक दरार स्थान के लिए एक विस्तृत 'फिंगरप्रिंट' तैयार किया।

इन डिजिटल फिंगरप्रिंट्स के पुस्तकालय के साथ, टीम ने मशीन लर्निंग की ओर रुख किया यह देखने के लिए कि क्या कंप्यूटर पैटर्न को सीख सकता है। उन्होंने अपने काम को दो कार्यों में विभाजित किया: पहला, केवल यह तय करना कि बीम स्वस्थ है या उसमें दरार है, और दूसरा, दरार का सटीक स्थान बताना। पहले कार्य के लिए, उन्होंने एक वर्गीकरण (classification) टूल का उपयोग किया जिसने "स्वस्थ" संकेतों और "क्षतिग्रस्त" संकेतों के बीच एक रेखा खींचना सीखा। कंप्यूटर को प्रशिक्षित करने के लिए स्वस्थ उदाहरणों का सेट बनाने हेतु, उन्होंने एक क्षतिग्रस्त सिग्नल को लिया और गणितीय रूप से उसमें थोड़ा बदलाव किया, जिसमें थोड़ा रैंडम शोर (noise) जोड़ा गया और समय को थोड़ा खिसकाया गया, ताकि एक आदर्श बीम का अनुकरण किया जा सके। फिर उन्होंने सिस्टम का परीक्षण डेटा के एक क्रम पर किया जो स्वस्थ संकेतों से शुरू होकर अचानक क्षतिग्रस्त संकेतों में बदल गया। कंप्यूटर ने सफलतापूर्वक उस क्षण की पहचान की जब क्षति प्रकट हुई, और जैसे ही सिग्नल बदला, उसने अलार्म बजा दिया, जिससे यह सिद्ध हुआ कि यह अवधारणा एक निरंतर निगरानी समयरेखा (continuous monitoring timeline) में काम कर सकती है।

दूसरे कार्य के लिए, दरार का स्थान निर्धारित करने हेतु, शोधकर्ताओं ने मशीन लर्निंग के एक अलग प्रकार के मॉडल का उपयोग किया जिसे आत्मविश्वास के अंतर्निहित माप के साथ भविष्यवाणियाँ करने के लिए डिज़ाइन किया गया था। इस मॉडल को केवल क्षतिग्रस्त बीमों के डेटा पर प्रशिक्षित किया गया था और इसे सिग्नल के लक्षणों (features) के आधार पर दरार की स्थिति का अनुमान लगाने के लिए कहा गया था। परिणामों से पता चला कि कंप्यूटर आम तौर पर दरार के स्थान के रुझान का अनुसरण कर सकता है, लेकिन यह पूरी तरह से सटीक नहीं था। मॉडल ने औसतन 25.09 मिलीमीटर की त्रुटि के साथ स्थान का अनुमान लगाया। हालांकि यह त्रुटि का एक बड़ा मार्जिन लग सकता है, लेकिन सिस्टम अपनी अनिश्चितता के बारे में ईमानदार था, और इसने एक एकल, संभावित रूप से गलत अनुमान देने के बजाय संभावित स्थानों की एक सीमा प्रदान की। अध्ययन ने डेटा को विज़ुअलाइज़ (visualize) भी किया ताकि यह दिखाया जा सके कि विभिन्न दरार स्थितियों से प्राप्त सिग्नल वास्तव में अलग-अलग समूहों में बनते हैं, जिससे पुष्टि होती है कि दरारों ने बीम पर एक अद्वितीय हस्ताक्षर छोड़ा है।

शोधकर्ता अपने निष्कर्षों को एक अंतिम, तैयार समाधान के बजाय एक 'प्रूफ ऑफ कॉन्सेप्ट' (अवधारणा की पुष्टि) के रूप में प्रस्तुत करने के प्रति सावधान रहे। उन्होंने उल्लेख किया कि उनका "स्वस्थ" डेटा वास्तविक, बिना क्षतिग्रस्त बीम के बजाय कृत्रिम रूप से एक क्षतिग्रस्त सिमुलेशन से उत्पन्न किया गया था, जो हमारे परिणामों पर कितनी आश्वस्तता हो सकती है, इसकी सीमा तय करता है। इसके अलावा, पूरा डेटासेट एक कंप्यूटर मॉडल से आया है, न कि वास्तविक धातु और वास्तविक सेंसरों के भौतिक प्रयोगों से। इन सीमाओं के बावजूद, यह कार्य एक स्पष्ट मार्ग प्रदर्शित करता है। यह दिखाता है कि धातु के माध्यम से तरंगों के चलने के भौतिक विज्ञान को आर्टिफिशियल इंटेलिजेंस की पैटर्न-पहचान की शक्ति के साथ जोड़कर, हम क्षति का पता लगाने और उसे खोजने वाले सिस्टम बना सकते हैं। अध्ययन सुझाव देता है कि अधिक डेटा, वास्तविक दुनिया के परीक्षण और परिष्कृत मॉडलों के साथ, यह दृष्टिकोण अंततः इंजीनियरों को हमारी बुनियादी संरचना को सुरक्षित रखने में मदद कर सकता है, जिससे वे समस्या के आँखों से दृश्यमान होने से बहुत पहले ही उसे पकड़ सकें।