PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty

1. Enunciazione del Problema

Il documento affronta la sfida della sensoristica virtuale (stima delle risposte strutturali in posizioni non misurate) in strutture dinamiche complesse e non lineari, in condizioni di incertezza di forma del modello e di rilevamento sparso.

• Limiti degli Approcci Attuali:
  • Modelli Puramente Basati sulla Fisica: Faticano a rappresentare accuratamente le non linearità complesse derivanti da effetti materiali, meccanismi di giunzione o forze di feedback discrete. Spesso non riescono a catturare la variabilità operativa intrinseca.
  • Modelli Puramente Guidati dai Dati (es. GNN standard): Sebbene flessibili, soffrono di accumulo di errore in ambienti online, specialmente quando si generalizzano a strutture con parametri o topologie diverse. Inoltre, faticano con misurazioni sparse.
  • Filtri di Kalman Standard (EKF): Richiedono modelli di transizione di stato accurati e differenziabili, che spesso non sono disponibili per sistemi non lineari complessi.
• La Sfida Principale: Sviluppare un framework in grado di eseguire una stima dello stato affidabile e online per sistemi non lineari con equazioni governative sconosciute o parzialmente note, mantenendo al contempo la robustezza contro il rumore di misura e l'incertezza del modello.

2. Metodologia: Il Framework PiGGO

Gli autori propongono PiGGO (Physics-Guided Graph Neural ODE), un framework unificato che integra una Equazione Differenziale Ordinaria su Grafo Neurale (GNODE) con un Filtro di Kalman Esteso (EKF).

A. Rappresentazione a Grafo e Spazio di Stato

• Il sistema strutturale è modellato come un grafo $G = \{X, E, A\}$, dove i nodi rappresentano componenti strutturali e gli spigoli rappresentano connessioni (es. molle/smorzatori).
• Variabili di Stato: Le caratteristiche dei nodi includono spostamento, velocità e accelerazione; le caratteristiche degli spigoli includono estensioni di connessione, tassi e proprietà geometriche (angoli).
• Bias Induttivi Guidati dalla Fisica: L'architettura codifica esplicitamente la meccanica strutturale:
  • Equivarianza: Le caratteristiche sono progettate per essere invarianti rispetto alle trasformazioni del sistema di coordinate (utilizzando seno/coseno degli angoli).
  • Bilanciamento delle Forze: L'evoluzione dello stato è decomposta in una componente fisica lineare nota ($C_{phy}$) e una componente non lineare appresa ($C_{bb}$).

B. La GNODE Guidata dalla Fisica (Addestramento Offline)

• Evoluzione dello Stato: La transizione di stato a tempo continuo è definita da un'equazione differenziale apprendibile: $\dot{Z} = F_{ev}(Z, G)$.
• Dinamica Ibrida: La funzione di evoluzione $F_{ev}$ combina:
  1. Termine Basato sulla Fisica: Un bilanciamento standard delle forze lineari derivato da meccanica nota (rigidezza, smorzamento).
  2. Termine Black-Box: Una Rete Neurale su Grafo (GNN) che apprende le forze residue non lineari (es. rigidezza cubica, non linearità da gap).
• Obiettivo di Addestramento: Invece di minimizzare solo l'errore di osservazione, il modello è addestrato utilizzando una Funzione di Perdita Informata dalla Fisica basata sul residuo del bilanciamento delle forze ($r_i = m\ddot{u} + \xi - f$). Ciò garantisce che le dinamiche apprese aderiscano alle leggi di Newton, riducendo la necessità di dataset massicci e la sintonizzazione manuale dei pesi della perdita.

C. Filtro di Kalman Esteso su Grafo (Inferenza Online)

• Integrazione: Il modello PiGGO pre-addestrato funge da modello di transizione di stato all'interno di un ciclo EKF.
• Quantificazione dell'Incertezza: L'EKF gestisce l'incertezza di forma del modello e il rumore di misura mediante:
  • Propagazione della media e della covarianza dello stato.
  • Calcolo del Guadagno di Kalman per correggere le previsioni basandosi su misurazioni sparse e rumorose.
  • Fornitura di stime consapevoli dell'incertezza (intervalli di confidenza) per tutte le variabili di stato.
• Strategia: Il framework utilizza una strategia di addestramento disaccoppiata:
  1. Offline: Addestrare PiGGO per apprendere una rappresentazione generalizzabile delle dinamiche del sistema.
  2. Online: Incorporare il modello addestrato nell'EKF per correggere deviazioni e rumore in tempo reale.

3. Contributi Chiave

1. Framework Unificato: Introduce PiGGO, il primo framework che combina GNODE guidate dalla fisica con filtraggio bayesiano ricorsivo per la sensoristica virtuale online di strutture non lineari.
2. Bias Induttivo Guidato dalla Fisica: Dimostra come l'incorporazione della meccanica strutturale (bilanciamenti delle forze, equivarianza geometrica) nell'architettura GNN migliori la generalizzazione e riduca la dipendenza dai dati.
3. Robustezza all'Incertezza: Mostra che l'approccio ibrido supera sia le GNODE in ciclo aperto che gli EKF standard quando si tratta di:
   • Incertezza di forma del modello: Variazioni nei parametri strutturali (es. rigidezza, smorzamento) non viste durante l'addestramento.
   • Rilevamento Sparso: Stima accurata anche quando il 75–87,5% dei nodi non è misurato.
4. Previsione Consapevole dell'Incertezza: Il componente EKF fornisce stime della covarianza a posteriori che catturano efficacemente l'errore del modello e il rumore, offrendo intervalli di confidenza affidabili per applicazioni critiche per la sicurezza.

4. Risultati

Il framework è stato valutato su due studi di caso numerici:

1. Array di Travi Casuali: Un sistema con rigidezza non lineare cubica.
2. Array di Travi di un Ponte: Un sistema con non linearità da gap angolare non liscia.

Risultati Chiave:

• Prestazioni Offline: Il modello PiGGO ha appreso accuratamente le dinamiche durante l'addestramento, corrispondendo alla verità fondamentale per spostamento, velocità e accelerazione.
• Generalizzazione Online:
  • GNODE in Ciclo Aperto: Quando applicata a strutture più grandi e non viste con parametri variabili, il modello in ciclo aperto ha sofferto di significativa deriva di fase ed errori di ampiezza a causa di errori di integrazione accumulati.
  • PiGGO-EKF: Lo schema di filtraggio ha ridotto significativamente gli errori. Per l'array casuale, l'Errore Quadratico Medio Normalizzato (NMSE) per lo spostamento è sceso da 24,5 (ciclo aperto) a 0,3 (EKF).
  • Trave del Ponte: Sono state osservate migliorie simili, con l'EKF che corregge il bias e la deriva intrinseci nelle previsioni in ciclo aperto.
• Stima dell'Incertezza: Le stime della covarianza a posteriori dall'EKF hanno avvolto con successo le risposte reali del sistema, mentre il modello in ciclo aperto non forniva alcuna quantificazione dell'incertezza.

5. Significato e Impatto

• Gemelli Digitali per il Monitoraggio della Salute Strutturale (SHM): Il lavoro fornisce una soluzione scalabile e robusta per il Monitoraggio della Salute Strutturale (SHM), consentendo la creazione di gemelli digitali in grado di operare in modo affidabile nonostante la conoscenza incompleta dei parametri del sistema e i dati limitati dei sensori.
• Colmare il Divario: Colma efficacemente il divario tra l'interpretabilità dei modelli basati sulla fisica e la flessibilità dell'apprendimento guidato dai dati.
• Applicabilità Pratica: La strategia di addestramento/inferenza disaccoppiata rende l'approccio computazionalmente fattibile per applicazioni in tempo reale, evitando l'alto costo dell'addestramento end-to-end di reti neurali-EKF.
• Direzioni Future: Gli autori suggeriscono di estendere il framework per gestire comportamenti locali non lisci (es. danni localizzati) ed esplorare topologie di grafo adattive dove la matrice di adiacenza stessa è una variabile latente.

In sintesi, PiGGO rappresenta un avanzamento significativo nel Machine Learning Potenziato dalla Fisica (PEML), offrendo un metodo affidabile per monitorare infrastrutture complesse e non lineari dove i metodi tradizionali falliscono a causa di incertezza e sparsità.