WaveGraphNet: Physics-Consistent Guided-Wave Damage Localization through Coupled Inverse-Forward Graph Learning

Riepilogo Tecnico: WaveGraphNet

Enunciato del Problema
Il monitoraggio della salute strutturale (SHM) basato su onde guidate mira a rilevare e localizzare danni in materiali compositi, come lastre in polimero rinforzato con fibra di carbonio (CFRP), utilizzando reti sparse di trasduttori piezoelettrici. Una sfida critica in questo dominio è il problema della "estrapolazione spaziale": i modelli addestrati su un insieme limitato di posizioni di danno etichettate spesso funzionano bene sulle regioni osservate ma falliscono nel generalizzare ad aree non viste della struttura. Questa limitazione nasce perché l'inferenza delle coordinate del difetto a partire da misurazioni sparse di tipo pitch-catch costituisce un problema inverso debolmente vincolato. Gli approcci di machine learning esistenti trattano tipicamente i dati dei sensori come array o immagini, non riuscendo a modellare esplicitamente la topologia relazionale della rete di trasduttori. Inoltre, i modelli standard di regressione supervisionata possono prevedere coordinate numericamente plausibili ma fisicamente inconsistenti con la ridistribuzione reale dell'energia delle onde attraverso la rete di rilevamento, in particolare quando si estrapola oltre il dominio di addestramento.

Metodologia: WaveGraphNet
Il documento propone WaveGraphNet, un framework di apprendimento grafico accoppiato inverso–avanzato progettato per affrontare l'ambiguità della localizzazione di onde guidate sparse. L'innovazione centrale è l'integrazione di un modello avanzato appreso come regolarizzatore fisicamente coerente per il compito di localizzazione inversa.

1. Formulazione Grafica:

   • La rete di rilevamento è modellata esplicitamente come un grafo in cui i trasduttori sono nodi e i percorsi di propagazione sono archi.
   • Ramo Inverso ($G_{inv}$): Utilizza tutti i percorsi di propagazione misurati ($P$) per mappare i descrittori spettrali strutturati a grafo delle risposte differenziali delle onde guidate su una coordinata del difetto ($\hat{p}$). Questo ramo impiega Reti di Attenzione Grafica (GAT) per aggregare informazioni da percorsi eterogenei.
   • Ramo Avanzato ($G_{fwd}$): Utilizza un sottoinsieme di percorsi che attraversano la lastra ($P_f$) per prevedere i pattern di deviazione energetica ($\Delta E$) su base per-percorso indotti da una posizione candidata del difetto. Questo ramo prende in ingresso una coordinata candidata e restituisce la ridistribuzione energetica attesa.

2. Strategia di Addestramento Accoppiato:
   Il framework è addestrato in tre fasi per garantire stabilità ed apprendimento efficace:

   • Fase I (Pre-addestramento Inverso): Il ramo inverso è addestrato esclusivamente sulla funzione di perdita di localizzazione ($L_{loc}$) per mappare le misurazioni alle coordinate.
   • Fase II (Pre-addestramento Avanzato): Il ramo avanzato è addestrato a prevedere le deviazioni energetiche basandosi sulle coordinate di verità fondamentale.
   • Fase III (Ottimizzazione Accoppiata): Il ramo inverso è fine-tunato mentre il ramo avanzato è congelato. La funzione di perdita totale ($L_{total}$) combina:
     • Perdita di Localizzazione: Minimizza la distanza tra le coordinate previste e quelle reali.
     • Perdita di Coerenza Avanzata: Penalizza le previsioni inverse che, quando passate attraverso il modello avanzato congelato, producono pattern di deviazione energetica inconsistenti con i dati misurati.
     • Perdita di Correzione Fisica: Utilizza il gradiente della perdita di coerenza avanzata per guidare la previsione inversa verso una regione fisicamente coerente.

3. Regressione Unificata:
   Il modello gestisce sia gli stati danneggiati che quelli non danneggiati all'interno di un unico framework di regressione assegnando ai campioni non danneggiati una coordinata target fissa "nessun-danno" situata al di fuori del dominio ammissibile della lastra. Questo elimina la necessità di un classificatore separato per il rilevamento del danno.

Contributi Chiave

• Formulazione Basata su Grafi: Gli autori formulano la localizzazione del danno da onde guidate sparse come un problema di regressione da grafo a coordinata, rappresentando esplicitamente i trasduttori come nodi e i percorsi di propagazione come archi per catturare la struttura relazionale.
• Framework Inverso-Avanzato Accoppiato: Introducono un'architettura innovativa in cui un modello avanzato appreso della deviazione energetica su base per-percorso agisce come vincolo di coerenza, regolarizzando la localizzazione inversa per garantire la plausibilità fisica.
• Valutazione dell'Estrapolazione Spaziale: Lo studio definisce e valuta due suddivisioni train-test tenute fuori spazialmente (Split A e Split B) sul benchmark Open Guided Wave (OGW)-1. Queste suddivisioni sono progettate specificamente per testare l'estrapolazione verso zone di danno non viste piuttosto che una semplice interpolazione.
• Gestione Unificata Danno/Nessun Danno: Il framework incorpora gli stati integri e danneggiati nello stesso spazio di output, semplificando la pipeline di inferenza.

Risultati
Il framework è stato valutato sul benchmark SHM Plate OGW-1 utilizzando due suddivisioni di tenuta fuori spaziale di difficoltà crescente.

• Prestazioni di Estrapolazione: WaveGraphNet accoppiato ha raggiunto il più basso Errore Assoluto Medio (MAE) nelle zone non viste rispetto alle baseline non grafiche (1D-CNN, LSTM) e alle baseline grafiche (GNN-MLP, GAT). Nel più difficile scenario Split B, il modello accoppiato ha ridotto il MAE della zona non vista da 0,383 (GAT) a 0,262.
• Tasso di Falsi Positivi (FPR): Il modello accoppiato ha raggiunto un FPR dello 0,0% sui campioni non danneggiati tenuti fuori in entrambe le suddivisioni, mentre altri modelli hanno mostrato falsi positivi significativi (fino al 94,4% per LSTM).
• Ablazione: La variante "Solo Inverso" di WaveGraphNet ha raggiunto le migliori prestazioni sulle regioni osservate (interpolazione) ma ha performato peggio del modello accoppiato sulle regioni non viste. Ciò indica che l'accoppiamento di coerenza avanzata migliora specificamente la generalizzazione spaziale piuttosto che adattarsi semplicemente ai dati di addestramento.

Significato e Affermazioni
Il documento afferma che WaveGraphNet dimostra il potenziale della combinazione di rappresentazioni grafiche relazionali con vincoli di coerenza avanzata guidati dalla fisica per migliorare la generalizzazione spaziale nell'SHM. Gli autori sottolineano che:

• I protocolli di valutazione standard che utilizzano suddivisioni train-test casuali possono sovrastimare le prestazioni di localizzazione; le suddivisioni tenute fuori spazialmente rivelano significativi divari di generalizzazione.
• L'approccio inverso-avanzato accoppiato riduce l'ambiguità nel problema inverso assicurando che le coordinate previste siano compatibili con la ridistribuzione misurata dell'energia delle onde.
• Il framework offre una strategia robusta per la localizzazione con onde guidate in condizioni di copertura spaziale limitata, un vincolo comune nel dispiegamento nel mondo reale.

Gli autori inquadrano modestamente lo studio come un caso di studio sperimentale controllato sul dataset OGW-1 piuttosto che come una validazione completa del dispiegamento. Riconoscono che è necessario un lavoro futuro per valutare la robustezza sotto variabilità ambientale, deriva dei sensori e scenari multi-danno.