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

"PiGGO: 불확실성 하의 비선형 동적 구조물에 대한 가상 센싱을 위한 물리 유도 학습 가능 그래프 칼만 필터"에 대한 상세 기술 요약입니다.

1. 문제 제기

이 논문은 모델 형식 불확실성과 희소 센싱 조건 하에서 복잡하고 비선형적인 동적 구조물의 가상 센싱(측정되지 않은 위치에서의 구조 응답 추정) 과 관련된 과제를 다룹니다.

• 현재 접근법의 한계:
  • 순수 물리 기반 모델: 재료 효과, 접합 메커니즘, 또는 이산 피드백 힘에서 비롯된 복잡한 비선형성을 정확하게 표현하는 데 어려움을 겪습니다. 종종 고유한 운영 변이성을 포착하지 못합니다.
  • 순수 데이터 기반 모델 (예: 표준 GNN): 유연하지만, 온라인 설정에서 오차 누적에 시달리며, 특히 다른 매개변수나 위상 구조를 가진 구조물로 일반화할 때 어려움을 겪습니다. 또한 희소 측정 데이터 처리에도 어려움을 겪습니다.
  • 표준 칼만 필터 (EKF): 정확한 미분 가능한 상태 천이 모델을 요구하는데, 이는 복잡한 비선형 시스템의 경우 종종 사용 불가능합니다.
• 핵심 과제: 측정 잡음과 모델 불확실성에 대한 강인성을 유지하면서, 알려지지 않았거나 부분적으로 알려진 지배 방정식을 가진 비선형 시스템에 대한 신뢰할 수 있는 온라인 상태 추정을 수행할 수 있는 프레임워크를 개발하는 것입니다.

2. 방법론: PiGGO 프레임워크

저자들은 **물리 유도 그래프 신경 ODE(GNODE)**와 **확장 칼만 필터 (EKF)**를 통합한 통합 프레임워크인 **PiGGO(Physics-Guided Graph Neural ODE)**를 제안합니다.

A. 그래프 표현 및 상태 공간

• 구조 시스템은 $G = \{X, E, A\}$로 모델링되며, 여기서 노드는 구조 구성 요소를, 에지는 연결부 (예: 스프링/댐퍼) 를 나타냅니다.
• 상태 변수: 노드 특성에는 변위, 속도, 가속도가 포함되고, 에지 특성에는 연결부 확장, 속도, 기하학적 특성 (각도) 이 포함됩니다.
• 물리 유도 귀납적 편향: 아키텍처는 구조 역학을 명시적으로 인코딩합니다:
  • 공변성 (Equivariance): 특성 (각도의 사인/코사인 사용) 은 좌표계 변환에 대해 불변하도록 설계됩니다.
  • 힘의 평형: 상태 진화는 알려진 선형 물리 성분($C_{phy}$) 과 학습된 비선형 성분($C_{bb}$) 으로 분해됩니다.

B. 물리 유도 GNODE (오프라인 학습)

• 상태 진화: 연속 시간 상태 천이는 학습 가능한 미분 방정식 $\dot{Z} = F_{ev}(Z, G)$로 정의됩니다.
• 하이브리드 역학: 진화 함수 $F_{ev}$는 다음을 결합합니다:
  1. 물리 기반 항: 알려진 역학 (강성, 감쇠) 에서 유도된 표준 선형 힘 평형.
  2. 블랙박스 항: 잔여 비선형 힘 (예: 3 차 강성, 간격 비선형성) 을 학습하는 그래프 신경망 (GNN).
• 학습 목표: 관측 오차만 최소화하는 대신, 모델은 힘 평형 잔차 ($r_i = m\ddot{u} + \xi - f$) 기반의 **물리 정보 손실 (Physics-Informed Loss)**을 사용하여 학습됩니다. 이는 학습된 역학이 뉴턴의 법칙을 준수하도록 하여 방대한 데이터셋과 수동 손실 가중치 조정에 대한 필요성을 줄입니다.

C. 그래프 확장 칼만 필터 (온라인 추론)

• 통합: 사전 학습된 PiGGO 모델은 EKF 루프 내의 상태 천이 모델로 작용합니다.
• 불확실성 정량화: EKF 는 다음을 통해 모델 형식 불확실성과 측정 잡음을 처리합니다:
  • 상태 평균과 공분산을 전파합니다.
  • 희소하고 잡음이 섞인 측정을 기반으로 예측을 수정하기 위해 칼만 이득을 계산합니다.
  • 모든 상태 변수에 대한 불확실성 인식 추정치(신뢰 구간) 를 제공합니다.
• 전략: 프레임워크는 분리된 학습 전략을 사용합니다:
  1. 오프라인: 시스템 역학의 일반화 가능한 표현을 학습하도록 PiGGO 학습.
  2. 온라인: 실시간 편차와 잡음을 보정하기 위해 학습된 모델을 EKF 에 임베딩.

3. 주요 기여

1. 통합 프레임워크: 비선형 구조물의 온라인 가상 센싱을 위해 물리 유도 GNODE 와 재귀적 베이지안 필터링을 결합한 최초의 프레임워크인 PiGGO 를 도입합니다.
2. 물리 유도 귀납적 편향: 힘 평형, 기하학적 공변성과 같은 구조 역학을 GNN 아키텍처에 내장함으로써 일반화 능력을 향상시키고 데이터 의존성을 줄이는 방법을 입증합니다.
3. 불확실성에 대한 강인성: 하이브리드 접근법이 다음을 다룰 때 오픈루프 GNODE 와 표준 EKF 모두보다 우수한 성능을 보임을 보여줍니다:
   • 모델 형식 불확실성: 학습 중 보지 못한 구조 매개변수 (예: 강성, 감쇠) 의 변화.
   • 희소 센싱: 노드의 75–87.5% 가 측정되지 않아도 정확한 추정.
4. 불확실성 인식 예측: EKF 구성 요소는 모델 오차와 잡음을 효과적으로 포착하는 사후 공분산 추정치를 제공하여 안전-중요 응용 분야에 대한 신뢰할 수 있는 신뢰 구간을 제공합니다.

4. 결과

이 프레임워크는 두 가지 수치 사례 연구에서 평가되었습니다:

1. 랜덤 트러스 어레이: 3 차 비선형 강성을 가진 시스템.
2. 교량 트러스 어레이: 매끄럽지 않은 각도 간격 비선형성을 가진 시스템.

주요 발견:

• 오프라인 성능: PiGGO 모델은 학습 중 역학을 정확하게 학습하여 변위, 속도, 가속도에 대한 실제 값과 일치했습니다.
• 온라인 일반화:
  • 오픈루프 GNODE: 다양한 매개변수를 가진 더 크고 보지 못한 구조물에 적용될 때, 누적 적분 오차로 인해 심각한 위상 드리프트 및 진폭 오차를 겪었습니다.
  • PiGGO-EKF: 필터링 방식은 오차를 크게 줄였습니다. 랜덤 어레이의 경우, 변위에 대한 정규화 평균 제곱 오차 (NMSE) 가 24.5(오픈루프) 에서 0.3(EKF) 로 감소했습니다.
  • 교량 트러스: 유사한 개선이 관찰되었으며, EKF 는 오픈루프 예측에 내재된 편향과 드리프트를 보정했습니다.
• 불확실성 추정: EKF 의 사후 공분산 추정치는 실제 시스템 응답을 성공적으로 포괄하는 반면, 오픈루프 모델은 불확실성 정량화를 제공하지 않았습니다.

5. 중요성 및 영향

• SHM 을 위한 디지털 트윈: 이 연구는 시스템 매개변수에 대한 불완전한 지식과 제한된 센서 데이터에도 불구하고 신뢰할 수 있게 작동할 수 있는 디지털 트윈 생성을 가능하게 하는 구조 건전성 모니터링 (SHM) 을 위한 확장 가능하고 강인한 솔루션을 제공합니다.
• 격차 해소: 물리 기반 모델의 해석 가능성과 데이터 기반 학습의 유연성 사이의 격차를 효과적으로 해소합니다.
• 실용적 적용 가능성: 분리된 학습/추론 전략은 신경-EKF 의 엔드 - 투 - 엔드 학습에 따른 높은 비용을 피하면서 실시간 응용을 위해 계산적으로 실행 가능한 접근 방식을 가능하게 합니다.
• 향후 방향: 저자들은 국소적 매끄럽지 않은 행동 (예: 국소 손상) 을 처리하고, 인접 행렬 자체가 잠재 변수가 되는 적응형 그래프 위상 구조를 탐색하기 위해 프레임워크를 확장할 것을 제안합니다.

요약하자면, PiGGO 는 불확실성과 희소성으로 인해 기존 방법이 실패하는 복잡하고 비선형적인 인프라를 모니터링하기 위한 신뢰할 수 있는 방법을 제공하는 **물리 강화 머신러닝 (PEML)**의 중요한 발전입니다.