Image-Based Structural Analysis Using Computer Vision and LLMs: PhotoBeamSolver

Titolo: PhotoBeamSolver: Analisi Strutturale Basata su Immagini tramite Visione Artificiale e LLM

1. Il Problema

Il documento affronta la sfida di automatizzare la risoluzione di modelli di travi ideali (tipici di esercizi accademici e manuali tecnici) partendo esclusivamente da disegni o schizzi realizzati a mano.
Attualmente, l'ingegneria civile si avvale di software potenti (es. SAP2000, ETABS) o calcolatrici online (es. SkyCiv, IndeterminateBeam), ma questi strumenti presentano limitazioni significative:

• Richiedono spesso input manuali dettagliati o conoscenze di programmazione.
• Sono costosi o presentano limitazioni nelle versioni gratuite.
• Non permettono di convertire direttamente un'immagine di un diagramma strutturale in un'analisi meccanica completa.
  L'obiettivo è colmare il divario tra la rappresentazione visiva (disegno) e la soluzione analitica (forze, momenti, deformazioni) senza intervento umano diretto nella digitazione dei dati.

2. Metodologia

PhotoBeamSolver è implementato come una pipeline ibrida "da immagine ad analisi" che combina tecniche di Computer Vision (CV) e Large Language Models (LLM). L'architettura si articola in due fasi principali:

A. Percezione e Rilevamento (Computer Vision)

• Modello: Viene utilizzato un modello di rilevamento oggetti basato su YOLO (You Only Look Once), specificamente addestrato su un dataset di 532 diagrammi di travi annotati.
• Obiettivo: Identificare e localizzare gli elementi strutturali (appoggi, carichi concentrati, carichi distribuiti, riferimenti geometrici) all'interno dell'immagine.
• Processo: Il modello esegue un'inferenza in una singola fase, prevedendo coordinate dei riquadri di delimitazione (bounding boxes), probabilità di classe e punteggi di confidenza. Le rilevazioni ridondanti vengono eliminate tramite Non-Maximum Suppression.
• Post-processing geometrico: Le coordinate delle rilevazioni vengono trasformate in una rappresentazione meccanica strutturata. Le posizioni relative degli appoggi e dei carichi vengono proiettate sull'asse della trave, e le grandezze (se presenti come annotazioni) vengono associate ai carichi corrispondenti.

B. Ragionamento Analitico (LLM e Solutori)

• Input: La rappresentazione strutturata generata dalla fase di visione artificiale viene passata a un modulo di risoluzione.
• Approccio Ibrido:
  1. Soluzione Deterministica: Utilizza il pacchetto Python IndeterminateBeam per calcolare le reazioni vincolari, le forze di taglio, i momenti flettenti e le curve di deformazione basandosi su equazioni di equilibrio classiche.
  2. Ragionamento Simbolico (LLM): Quando disponibile, un LLM (tramite API GPT) viene utilizzato non come modello di regressione numerica, ma come interprete di istruzioni strutturate per generare derivazioni analitiche. Questo approccio riduce il rischio di "allucinazioni" vincolando l'LLM a parametri esplicitamente rilevati.
• Separazione dei compiti: C'è una rigorosa separazione tra il rilevamento visivo (che può essere ambiguo) e il solutore (che opera su input strutturati), garantendo che le incertezze visive non compromettano la correttezza fisica della soluzione.

3. Contributi Chiave

• Pipeline End-to-End: Sviluppo di un sistema completo che trasforma un'immagine grezza in diagrammi di sforzo (taglio, momento) e deformazione.
• Integrazione CV-LLM: Dimostrazione dell'uso degli LLM non per prevedere direttamente i risultati numerici (che sarebbe inaffidabile), ma per gestire il ragionamento simbolico e la formulazione delle equazioni di equilibrio partendo da dati strutturati.
• Dataset Specifico: Creazione e utilizzo di un dataset annotato specifico per diagrammi di travi, affrontando la variabilità negli stili di disegno e nelle configurazioni geometriche.
• Accessibilità: Fornitura di uno strumento gratuito e accessibile per studenti e professionisti che necessitano di una verifica rapida senza la complessità dei software CAD/FEA tradizionali.

4. Risultati

• Accuratezza del Rilevamento: Il modello YOLO addestrato ha raggiunto un mAP (mean Average Precision) superiore a 0,93 dopo 10.000 epoche di addestramento, con alta precisione nella classificazione di appoggi (cerniera, carrello, incastro) e tipi di carico.
• Validazione Analitica: I risultati calcolati (reazioni vincolari, diagrammi di taglio e momento) sono stati confrontati con le soluzioni di riferimento ottenute tramite il pacchetto IndeterminateBeam. Le discrepanze numeriche sono rimaste all'interno della precisione della macchina per i casi staticamente determinati.
• Limiti Rilevati:
  • Il sistema fallisce in presenza di calligrafia ambigua, annotazioni sovrapposte o riferimenti geometrici incompleti.
  • Attualmente limitato a travi piane e prevalentemente staticamente determinate. Non gestisce carichi inclinati (che devono essere scomposti), sistemi a traliccio o travi inclinate senza pre-elaborazione.
  • L'incertezza epistemica (mancanza di conoscenza sul processo di generazione dei dati) non è quantificata in modo rigoroso nel modello deterministico, sebbene venga discussa come area di miglioramento futura.

5. Significato e Implicazioni

Il lavoro di PhotoBeamSolver segna un passo avanti significativo nell'applicazione dell'Intelligenza Artificiale all'ingegneria strutturale:

• Validazione del Concetto: Dimostra che è possibile unire la percezione visiva (rilevamento di elementi) con il ragionamento simbolico (risoluzione di equazioni) per risolvere problemi ingegneristici complessi partendo da input non strutturati.
• Impatto Pratico: Offre uno strumento utile per l'istruzione accademica e per la verifica rapida in ambito professionale, riducendo il tempo dedicato all'input manuale dei dati.
• Sfide Future: Il documento evidenzia che l'estensione a problemi reali (non idealizzati) richiede la gestione di incertezze probabilistiche su parametri come proprietà dei materiali e carichi di progetto, che non sono inferibili da una singola immagine. Inoltre, la scarsità di dataset ingegneristici annotati rimane un collo di bottiglia per la generalizzazione del sistema.

In sintesi, PhotoBeamSolver rappresenta un prototipo funzionante che unisce visione artificiale e modelli linguistici per automatizzare l'analisi strutturale di base, aprendo la strada a futuri sistemi di supporto alle decisioni più sofisticati nel settore delle infrastrutture.