Physics-guided impact localisation and force estimation in composite plates with uncertainty quantification

Questo articolo presenta un framework ibrido che combina la teoria di deformazione di taglio del primo ordine (FSDT) con l'apprendimento automatico e la quantificazione dell'incertezza per localizzare impatti e stimare le forze su lastre composite, garantendo accuratezza e robustezza anche con dati sperimentali limitati.

L'essenziale

Immagina di avere un grande pannello di fibra di carbonio, simile a quelli usati negli aerei, che è stato colpito da un oggetto (come un martello o un sasso). Il problema è che questo materiale è molto resistente e spesso il danno è invisibile a occhio nudo, ma potrebbe essere pericoloso. Il nostro obiettivo è capire dove è avvenuto l'urto e quanto forte è stato, usando solo pochi sensori attaccati al pannello, senza dover smontare tutto o avere una mappa perfetta del materiale.

Ecco come gli autori di questo studio hanno risolto il problema, spiegato con parole semplici e qualche analogia creativa:

1. Il Problema: "Ciechi" con pochi sensori

Immagina di essere in una stanza buia e di sentire un rumore. Se hai solo due orecchie (i sensori) e non conosci la forma della stanza o di cosa è fatto il pavimento, è difficile capire da dove viene il rumore e quanto è stato forte.
Nella vita reale, i metodi tradizionali richiedono o:

• Modelli fisici perfetti: Come avere una mappa 3D esatta della stanza, ma spesso non sappiamo esattamente come è fatto il materiale o come è fissato.
• Migliaia di prove: Come colpire il pannello in ogni singolo punto possibile per imparare dove suona come, il che è costosissimo e impossibile da fare su un aereo vero.

2. La Soluzione: Un "Detective" Ibrido

Gli autori hanno creato un sistema intelligente che combina due mondi: la fisica (le leggi della natura) e l'intelligenza artificiale (l'apprendimento automatico). Chiamiamolo un "Detective Ibrido".

Fase 1: Imparare le "Regole del Gioco" (Il Modello Fisico)

Invece di chiedere all'ingegnere: "Di che materiale è fatto?", il sistema ascolta il pannello e dice: "Ascolta come vibra!".

• L'analogia dell'orchestra: Immagina di non conoscere gli strumenti di un'orchestra, ma di ascoltare una nota. Se sai che il violino suona in un certo modo e il violoncello in un altro, puoi indovinare quali strumenti stanno suonando.
• Il sistema analizza le onde che viaggiano nel pannello (come le onde nell'acqua quando ci lanci un sasso) per capire le proprietà del materiale e come è fissato ai bordi. Crea così una "mappa fisica" approssimativa, anche se non perfetta.

Fase 2: Il "Finto Allenamento" (Aumento dei Dati)

Ora, il sistema ha una mappa fisica approssimativa. Usa questa mappa per creare migliaia di scenari finti (dati sintetici).

• L'analogia dello studio: È come se un allenatore di calcio avesse pochi giocatori reali, ma usasse un simulatore di calcio per farli allenare contro migliaia di avversari virtuali. Questo insegna all'AI a riconoscere i pattern anche in situazioni che non ha mai visto prima.
• Questo permette al sistema di essere bravo a trovare l'urto anche in punti dove non ha mai fatto prove reali (un problema chiamato "generalizzazione").

Fase 3: Calcolare la Forza (Il "Filtro Intelligente")

Una volta trovato il punto dell'urto, bisogna capire quanto è stato forte. È come cercare di indovinare la forza di un pugno ascoltando solo il rumore del guanto che colpisce.

• Il problema è che i sensori hanno "rumore" (disturbi). Se provi a calcolare la forza direttamente, il risultato è pieno di errori.
• Gli autori usano un trucco chiamato regolarizzazione adattiva.
• L'analogia del filtro caffè: Immagina di dover filtrare il caffè. Se il filtro è troppo stretto (regolarizzazione fissa), trattieni anche il caffè buono (sottostimi la forza). Se è troppo largo, passa la sabbia (rumore).
• Il loro sistema è un filtro "intelligente" che si adatta: è più delicato dove serve (basse frequenze, dove c'è la forza reale) e più rigido dove c'è solo rumore. Inoltre, usa la mappa fisica creata prima per sapere dove il filtro potrebbe sbagliare e correggersi da solo.

Fase 4: Dire "Quanto sono sicuro?" (Quantificazione dell'Incertezza)

Nessun detective è infallibile. Il sistema non ti dice solo "L'urto è qui", ma aggiunge: "L'urto è qui, ma c'è un 5% di probabilità che sia un po' spostato".

• L'analogia della mappa del tesoro: Invece di segnare un punto X preciso, disegna un cerchio. Se il cerchio è piccolo, sei molto sicuro. Se è grande, sai che c'è incertezza. Questo è fondamentale per la sicurezza: se l'incertezza è alta, l'operatore sa che deve controllare meglio.

Perché è importante?

Questo metodo è rivoluzionario perché:

1. Risparmia tempo e soldi: Non serve colpire il pannello migliaia di volte per addestrare il sistema. Bastano pochi colpi di riferimento.
2. Funziona ovunque: Se cambi il pannello o lo metti su un aereo diverso, il sistema si adatta perché "capisce" la fisica dietro il suono, non solo memorizza i dati.
3. È sicuro: Ti dice anche quanto può sbagliare, cosa essenziale quando si tratta di aerei o strutture critiche.

In sintesi, hanno creato un sistema che ascolta il danno, capisce le regole fisiche del materiale, immagina scenari per allenarsi e ti dice dove è successo e quanto è stato grave, tutto con un alto livello di sicurezza e pochi dati iniziali.

Sommario tecnico

Titolo

Localizzazione dell'impatto e stima della forza guidata dalla fisica in lastre composite con quantificazione dell'incertezza

1. Il Problema

Le strutture aerospaziali in materiali compositi sono esposte a frequenti minacce da impatto (es. caduta di utensili, grandine, collisioni con uccelli). Gli impatti a bassa velocità sono particolarmente critici perché possono causare danni interni non visibili (BVID - Barely Visible Impact Damage), compromettendo l'integrità strutturale senza segni superficiali evidenti.
I sistemi di Monitoraggio della Salute Strutturale (SHM) devono identificare la posizione e la storia temporale della forza dell'impatto basandosi su segnali di sensori sparsi. Tuttavia, esistono sfide significative:

• Dati scarsi: I dati sperimentali ad alta fedeltà sono costosi e difficili da acquisire in grandi quantità.
• Generalizzabilità: I modelli puramente basati sui dati (data-driven) faticano a generalizzare a scenari non visti durante l'addestramento (extrapolazione).
• Interpretabilità: I modelli di deep learning spesso funzionano come "scatole nere", limitando la loro adozione in applicazioni critiche per la sicurezza.
• Incertezza: La maggior parte dei metodi non fornisce stime probabilistiche con intervalli di confidenza, essenziali per la gestione del rischio.

2. Metodologia

Il paper propone un framework ibrido che integra la modellazione fisica basata sulla Teoria di Deformazione di Taglio del Primo Ordine (FSDT) con l'apprendimento automatico (Machine Learning) e la quantificazione dell'incertezza. Il modello fisico non richiede conoscenze a priori su geometria, proprietà materiali o condizioni al contorno, ma le inferisce dai dati osservati.

Il processo si articola in tre fasi principali:

A. Modellazione FSDT guidata dai dati (Sparse Data-Driven FSDT)

Il modello fisico viene costruito in due fasi sequenziali utilizzando dati di riferimento sparsi:

1. Identificazione delle proprietà elastiche: Le proprietà del materiale (moduli elastici, densità, spessore) sono stimate adattando le curve di dispersione delle onde guidate (in particolare il modo flessionale $A_0$) ai dati di differenza temporale di arrivo (TDOA) misurati. Viene utilizzato un approccio di massima verosimiglianza (Maximum Likelihood Estimation) su un intervallo di frequenze.
2. Identificazione delle condizioni al contorno: Le condizioni al contorno (es. incastri, cerniere) sono calibrate confrontando le caratteristiche modali (frequenze naturali e trasmissibilità) del modello FSDT con quelle estratte dai dati sperimentali. Si utilizzano molle artificiali per simulare condizioni al contorno generali.

B. Localizzazione dell'impatto guidata dalla fisica (Physics-Augmented ML)

• Generazione di dati sintetici: Il modello FSDT identificato viene utilizzato per generare dati sintetici a bassa fedeltà (Low-Fidelity, LF) su tutta la struttura, coprendo aree non testate sperimentalmente.
• Regressione Gaussian Process (GPR) Multi-Fidelity: Viene addestrato un modello GPR che combina i dati sperimentali ad alta fedeltà (HF, pochi punti) con i dati sintetici LF. Questo approccio permette di apprendere la fisica della propagazione delle onde, migliorando la capacità di generalizzazione e l'accuratezza nella localizzazione anche in regioni non coperte dai dati di riferimento.

C. Stima della forza e regolarizzazione adattiva

• Deconvoluzione della forza: La ricostruzione della forza d'impatto è formulata come un problema inverso di deconvoluzione nel dominio della frequenza.
• Regolarizzazione adattiva: Per stabilizzare la soluzione (che è mal posta), viene introdotta una regolarizzazione Tikhonov. A differenza dei metodi tradizionali che usano un parametro costante, questo framework utilizza una regolarizzazione adattiva dipendente dalla frequenza. Il parametro di regolarizzazione $\lambda_{reg}(\omega)$ viene calcolato dinamicamente in base alla discrepanza tra la funzione di trasferimento interpolata dai dati e la previsione del modello FSDT. Questo riduce la sovrastima dell'errore alle alte frequenze e la sottostima dell'ampiezza alle basse frequenze.
• Propagazione dell'incertezza: L'incertezza nella localizzazione (fornita dalla varianza del modello GPR) viene propagata nel processo di stima della forza, producendo output probabilistici con intervalli di confidenza.

3. Contributi Chiave

1. Modellazione FSDT puramente data-driven: Un metodo per costruire un modello fisico interpretabile di una lastra composita inferendo direttamente proprietà materiali e condizioni al contorno da dati di impatto sparsi, senza bisogno di modelli FEM complessi o specifiche geometriche precise.
2. Apprendimento automatico potenziato dalla fisica: L'uso del modello fisico identificato per generare dati di addestramento sintetici, permettendo ai modelli di localizzazione di generalizzare oltre il dominio di addestramento sperimentale.
3. Regolarizzazione adattiva fisica: Una nuova strategia di regolarizzazione per la deconvoluzione della forza che si adatta alle discrepanze tra il modello fisico e i dati reali, migliorando la fedeltà della ricostruzione rispetto alle tecniche $\ell_2$ standard.
4. Quantificazione dell'incertezza end-to-end: Un framework che integra l'incertezza di localizzazione nella stima della forza, fornendo stime probabilistiche cruciali per applicazioni di sicurezza.

4. Risultati Sperimentali

Il metodo è stato validato su una lastra in composito CFRP (M21/T800) sottoposta a impatti a bassa velocità controllati.

• Identificazione del modello: Con soli 4 impatti di riferimento e 4 sensori, il modello FSDT ha identificato con successo le proprietà materiali e le condizioni al contorno, mostrando un'accuratezza accettabile nelle curve di dispersione e nelle frequenze naturali (errore medio ~80 Hz).
• Localizzazione:
  • Il modello GPR multi-fidelity ha superato significativamente i modelli basati solo su dati HF (che fallivano nell'extrapolazione) e solo su dati LF (che avevano errori sistematici).
  • È stato possibile ottenere un errore medio di localizzazione di circa 5-6 mm utilizzando solo 4 punti di riferimento, un risultato paragonabile all'uso di 9 punti di riferimento con metodi puramente sperimentali.
  • Le frequenze basse (1-2 kHz) si sono rivelate ottimali per la localizzazione, essendo meno sensibili al rumore rispetto alle alte frequenze.
• Ricostruzione della forza:
  • La regolarizzazione adattiva ha migliorato la ricostruzione della forza, evitando la sottostima dei picchi di forza tipica della regolarizzazione costante.
  • L'errore relativo sul picco di forza è rimasto entro il 7% anche per impatti in regioni non coperte dai dati di riferimento, purché l'interpolazione della funzione di trasferimento fosse affidabile.
  • La quantificazione dell'incertezza ha permesso di identificare quando la stima della forza era meno affidabile (es. quando la posizione stimata cadeva fuori dalla copertura dei dati di riferimento).

5. Significato e Implicazioni

Questo lavoro rappresenta un passo avanti significativo verso l'implementazione pratica dello SHM in strutture aerospaziali complesse.

• Riduzione dei costi: Dimostra che è possibile ottenere prestazioni elevate con un numero minimo di test sperimentali e sensori, riducendo drasticamente i costi di validazione e addestramento.
• Scalabilità e Trasferibilità: L'approccio non dipende da modelli FEM costosi o da conoscenze geometriche precise, rendendolo adatto a strutture esistenti o con geometrie complesse (es. pannelli irrigiditi) dove i dati a priori sono incompleti.
• Affidabilità: L'integrazione della quantificazione dell'incertezza rende il sistema adatto per applicazioni critiche, fornendo non solo una stima, ma anche un livello di fiducia associato a tale stima.
• Interpretabilità: A differenza delle "scatole nere" del deep learning, il framework mantiene un legame fisico interpretabile, facilitando l'accettazione in contesti industriali e normativi.

In sintesi, il paper propone una soluzione scalabile ed efficiente che combina la robustezza della fisica con la flessibilità dei dati, risolvendo il problema della scarsità di dati nell'identificazione degli impatti su strutture composite.