Robust and Explainable 3D Mode Shape Recognition Using Region-Aware Graph Neural Networks

Sintesi Tecnica: Riconoscimento Robusto ed Esplicabile di Forme Modali 3D tramite Reti Neurali a Grafo Consapevoli delle Regioni

Definizione del Problema
Il riconoscimento delle forme modali della Body-in-White (BiW) è un compito critico nello sviluppo NVH (Rumore, Vibrazione e Irrigidimento) nel settore automotive, tradizionalmente affidato all'ispezione visiva manuale da parte di ingegneri esperti. Gli approoli automatizzati esistenti affrontano tre limitazioni primarie:

1. Mancanza di Trasferibilità: Gli attuali metodi, spesso basati su euristiche ingegneristiche, sul Criterio di Assicurazione Modale (MAC) o su rappresentazioni IA dipendenti dalla geometria, faticano a generalizzare tra diverse architetture di veicoli, mesh agli elementi finiti (FE) e layout di misurazione sperimentale.
2. Scarsità di Dati: Ottenere etichette di modo revisionate da esperti è costoso e richiede molto tempo, portando a una grave scarsità di etichette nei dataset industriali.
3. Gap di Esplicabilità: Molti modelli di IA funzionano come "black box", fallendo nel fornire previsioni che si allineino con l'intuizione ingegneristica o con le specifiche entità strutturali (ad esempio, montanti, longheroni laterali) utilizzate dagli ingegneri durante la valutazione modale.

Di conseguenza, la preziosa conoscenza ingegneristica rimane frammentata e i modelli di IA non possono essere facilmente riutilizzati su dati storici o su diversi programmi di veicoli.

Metodologia
Il documento propone un Framework di Apprendimento a Grafo Consapevole delle Regioni basato su una Rappresentazione a Grafo Ingegneristico Canonico. La filosofia centrale è quella di disaccoppiare la semantica ingegneristica dalla discretizzazione numerica, permettendo l'apprendimento su concetti ingegneristici persistenti piuttosto che su topologie di mesh specifiche del veicolo.

Il framework opera attraverso quattro fasi chiave:

1. Rappresentazione a Grafo Ingegneristico Canonico:

   • I modelli FE eterogenei e le wireframe sperimentali vengono trasformati in un grafo semantico comune.
   • I Nodi rappresentano regioni strutturali persistenti, definite ingegneristicamente (ad esempio, binari del tetto, montanti A/B/C, longheroni laterali, strutture del pianale), piuttosto che singoli nodi FE.
   • Gli Archi codificano relazioni fisicamente significative, inclusa l'adiacenza strutturale, la simmetria destra-sinistra, l'accoppiamento del percorso di carico longitudinale e l'accoppiamento verticale tetto-pianale.
   • Caratteristiche (Features): Le caratteristiche dei nodi sono descrittori regionali indipendenti dalla geometria (spostamento medio/RMS, direzione dominante, risposta verticale con segno, energia di deformazione) aggregati dai dati originali. Gli attributi degli archi catturano le caratteristiche di interazione come l'accordo di fase e l'accoppiamento.

2. Apprendimento a Grafo Consapevole delle Regioni:

   • Una Rete a Grafo con Attenzione (GAT) propaga le informazioni tra le regioni ingegneristiche per apprendere le interazioni strutturali associate alle forme modali.
   • Fusione delle Caratteristiche Consapevole dell'Ingegneria: Invece di fare affidamento esclusivamente su embedding appresi, il framework concatena l'embedding globale del grafo ($z_{GNN}$) con descrittori regionali analitici informati dall'ingegneria ($z_{eng}$) (ad esempio, frazioni di energia del pianale/tetto). Questa fusione aiuta a distinguere famiglie di modi fisicamente simili.

3. Previsione Gerarchica:

   • Il modello impiega una strategia di classificazione gerarchica che rispecchia i processi di revisione ingegneristica: prevede prima il meccanismo dominante (Livello 1: torsione, flessione, pompaggio), per poi raffinare verso sottotipi (Livello 2).
   • L'addestramento utilizza una funzione obiettivo multi-task che bilancia le perdite di cross-entropy di Livello 1 e Livello 2.

4. Generazione del Dataset:

   • Per affrontare la scarsità di etichette, gli autori utilizzano una strategia di aumento dei dati guidata dalla fisica. Partendo da un piccolo set di modi revisionati da esperti, generano varianti strutturali tramite modifiche controllate della rigidezza su modelli di travi concettuali.
   • Le etichette vengono trasferite automaticamente tramite MAC all'interno del dataset aumentato, poiché la wireframe ingegneristica sottostante rimane coerente.
   • Il dataset di benchmark comprende quattro programmi di veicoli eterogenei (due simulazioni FE, due test sperimentali) con diversi conteggi di nodi e topologie, tutti mappati sullo stesso grafo canonico.

Contributi Chiave

1. Rappresentazione a Grafo Ingegneristico Canonico: Una nuova rappresentazione che mappa modelli BiW eterogenei in uno spazio semantico comune indipendente dalla topologia della mesh e dalla configurazione dei sensori. Ciò consente un apprendimento robusto tra diverse architetture di veicoli e fonti di dati.
2. Framework di Apprendimento a Grafo Consapevole delle Regioni: Un'architettura di apprendimento che combina meccanismi di attenzione a grafo con espliciti descrittori regionali informati dall'ingegneria per ottenere una classificazione delle forme modali gerarchica ed esplicabile.
3. Dimostrata Trasferibilità tra Veicoli: La validazione mostra che il framework raggiunge un'elevata accuratezza di classificazione e trasferibilità attraverso diversi programmi di veicoli, discretizzazioni FE e layout sperimentali in condizioni di grave scarsità di etichette, senza richiedere topologie di mesh identiche.

Risultati Sperimentali
Il framework è stato validato su un benchmark multi-veicolo contenente 310 campioni di addestramento aumentati e un set di test tenuto separato da quattro distinti programmi di veicoli.

• Accuratezza: L'approccio di addestramento multi-veicolo ha raggiunto il 100% di accuratezza al Livello 1 e il 98,7% di accuratezza al Livello 2 (99,2% combinato) sul set di test tenuto separato. Al contrario, un modello addestrato solo su un veicolo di riferimento ha ottenuto solo l'81,6% di accuratezza al Livello 2 su veicoli non visti.
• Trasferibilità: Il modello si è generalizzato con successo a programmi di veicoli con soli 2–5 etichette revisionate manualmente, dimostrando che la rappresentazione appresa cattura concetti ingegneristici persistenti piuttosto che artefatti numerici specifici del veicolo.
• Esplicabilità: Le mappe di attenzione e i punteggi di importanza delle caratteristiche corrispondono direttamente a regioni strutturali riconoscibili (ad esempio, connessioni montante-longherone per la torsione, accoppiamento tetto-pianale per la flessione), allineandosi con le interpretazioni ingegneristiche consolidate.

Significato e Rivendicazioni
Il documento afferma che la barriera principale alla trasferibilità dell'IA applicata all'ingegneria non è la sofisticazione dell'architettura della rete neurale, ma la rappresentazione dei dati ingegneristici. Passando dalle discretizzazioni di mesh dipendenti dalla geometria a una rappresentazione canonica basata su semantiche ingegneristiche persistenti, il framework consente:

• Riutilizzo della Conoscenza: La conoscenza ingegneristica storica può essere accumulata e trasferita tra successivi programmi di veicoli invece di essere appresa da zero.
• IA Affidabile: Le previsioni sono fisicamente interpretabili, consentendo agli ingegneri di verificare le decisioni rispetto ai meccanismi strutturali noti.
• Scalabilità Industriale: L'approccio riduce la necessità di estesi ri-addestramenti specifici per veicolo e di grandi dataset annotati, rendendo fattibile l'implementazione dell'IA nei flussi di lavoro industriali con risorse limitate.

Gli autori concludono che la Rappresentazione a Grafo Ingegneristico Canonico funge da astrazione ingegneristica riutilizzabile, fornendo una base per un'IA affidabile e trasferibile attraverso flussi di lavoro eterogenei di simulazione e sperimentazione nell'ambito dello sviluppo automotive.