Aerodynamic force reconstruction using physics-informed Gaussian processes

Sintesi Tecnica: Ricostruzione delle Forze Aerodinamiche mediante Processi Gaussiani Informati dalla Fisica

Enunciato del Problema
La modellazione accurata dei carichi aerodinamici è fondamentale per prevedere le risposte di sistemi strutturali complessi, come i ponti a grande luce. Tuttavia, i modelli esistenti si basano spesso su semplificazioni delle forze fisiche reali, introducendo assunzioni che limitano l'accuratezza. La validazione di tali modelli è particolarmente difficile quando i dati di misurazione sono rumorosi o incompleti. I metodi tradizionali per ricostruire i carichi aerodinamici a partire dalle risposte dinamiche — come le matrici di risposta all'impulso o i filtri di Kalman aumentati — richiedono tipicamente parametri di regolarizzazione definiti dall'utente per gestire il rumore. Inoltre, metodi come i modelli di forza latente spesso dipendono da intervalli di campionamento costanti e possono elaborare un solo dataset alla volta, limitando la loro flessibilità con dati eterogenei.

Metodologia
Gli autori propongono un approccio probabilistico di machine learning informato dalla fisica, utilizzando Processi Gaussiani (GP) per ricostruire i carichi aerodinamici sottostanti a partire da risposte dinamiche strutturali rumorose. La metodologia integra direttamente le formulazioni matematiche del comportamento del sistema fisico nel framework di machine learning:

1. Formulazione Fisica: La risposta dinamica di un oscillatore armonico sotto un carico arbitrario variabile nel tempo $F$ è definita dall'equazione scalare $m\ddot{z} + 2m\zeta\omega_n \dot{z} + m\omega_n^2 z = F$.
2. Costruzione del Kernel: La risposta in spostamento è modellata come un processo gaussiano a media zero. Sfruttando le relazioni lineari di derivata temporale tra spostamento, velocità e accelerazione, gli autori derivano kernel di covarianza che correlano diversi tipi di misurazioni fisiche. Questi kernel sono costruiti applicando derivate temporali a un kernel esponenziale quadrato (SE) di base.
3. Addestramento Informato dalla Fisica: Il modello GP viene addestrato utilizzando la stima di massima verosimiglianza per identificare i parametri ottimali (scale di varianza, scale di lunghezza e livelli di rumore) basandosi esclusivamente sui dati di misurazione (spostamenti, velocità e accelerazioni). Crucialmente, nessuna informazione sulla forza viene utilizzata durante la fase di addestramento.
4. Ricostruzione della Forza: Una volta identificati i parametri, viene costruita una distribuzione congiunta tra i dati di addestramento e le forze dinamiche. Il modello della forza è condizionato sui dati per produrre una rappresentazione stocastica del carico aerodinamico, fornendo sia una previsione media sia una quantificazione dell'incertezza.

Contributi Chiave

• Regolarizzazione Automatica: La natura bayesiana dell'approccio GP fornisce un compromesso automatico tra adattamento ai dati e complessità del modello, eliminando la necessità di schemi di regolarizzazione definiti dall'utente e prevenendo l'overfitting.
• Gestione di Dati Eterogenei: Il metodo supporta l'uso di dati eterogenei e multi-fidelity (ad esempio, combinando spostamenti, velocità e accelerazioni) e si adatta a intervalli di campionamento irregolari.
• Quantificazione dell'Incertezza: Grazie al suo framework probabilistico, il metodo fornisce naturalmente l'incertezza di previsione, consentendo al modello di distinguere tra il contenuto del segnale fisico e il rumore di misurazione.
• Kernel Analitici: I kernel di covarianza sono derivati analiticamente applicando operatori differenziali lineari a un kernel di base, garantendo che il modello rimanga fisicamente coerente con le equazioni del moto governanti.

Risultati
L'efficacia dell'approccio è stata dimostrata ricostruendo i carichi aerodinamici sul Ponte del Grande Belt Est in Danimarca, simulati sotto un'assunzione di non stazionarietà lineare (LU). Le risposte strutturali sono state sinteticamente contaminate con rumore bianco (SNR = 20) per simulare letture realistiche dei sensori.

• Accordo del Segnale: Le forze ricostruite hanno mostrato un forte accordo con i carichi del modello LU reale per quanto riguarda gli errori quadratici medi (RMS), l'ampiezza, l'angolo di fase e i valori di picco.
• Risposta in Frequenza: Il modello ha catturato accuratamente il contenuto a bassa frequenza. Nelle regioni dominate da contenuti ad alta frequenza, il modello GP ha trattato questi come parte del suo intervallo di incertezza piuttosto che forzare un adattamento, risultando in una previsione levigata.
• Metriche di Prestazione: La valutazione utilizzando quattro metriche normalizzate (RMS, ampiezza, fase e picco) ha indicato un buon accordo in quasi tutti i 22 componenti modali.
• Limitazioni: La peggiore prestazione è stata osservata nella terza forma modale (oscillazione laterale, $f = 0.123$ Hz). In questa modalità, la forza regressa ha mostrato ampiezze spettrali aumentate a frequenze superiori a 0.200 Hz rispetto al modello LU. Ciò è stato attribuito al fatto che il rumore nel sistema di coordinate globali ha un impatto relativo maggiore sulle modalità con bassa ammettenza meccanica e contributo minimo alle risposte globali.

Significato e Affermazioni
L'articolo afferma che questo approccio informato dalla fisica funge da strumento robusto per la validazione dei modelli, la stima futura dei carichi e la prognosi del danno strutturale. Combinando il machine learning con modelli matematici del comportamento strutturale, il metodo consente l'uso di diversi tipi di dati senza la necessità di regolarizzazione.

Gli autori sottolineano che, sebbene il modello regredisca efficacemente le forze sottostanti e incorpori il rumore ad alta frequenza nei suoi limiti di incertezza, le sue prestazioni dipendono dal rapporto segnale-rumore. In scenari in cui le ampiezze del moto strutturale sono minime rispetto al rumore del segnale, il modello mantiene un accordo favorevole nelle gamme di bassa frequenza, ma tende ad allinearsi al rumore intrinseco del segnale nelle gamme di alta frequenza. Lo studio conclude che procedure precise per la regressione delle forze dinamiche sono efficaci per investigare l'accuratezza dei modelli in strutture complesse, in particolare nel contesto del cambiamento climatico, dove le caratteristiche del campo del vento possono discostarsi dalle ipotesi iniziali di progetto.