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

기술 요약: WaveGraphNet

문제 정의
가이드파 구조 건전성 모니터링 (SHM) 은 탄소섬유 강화 플라스틱 (CFRP) 판과 같은 복합재료의 손상을 감지하고 국소화하기 위해 압전 트랜스듀서의 희소 네트워크를 활용합니다. 이 분야의 핵심 과제는'공간 외삽 (spatial extrapolation)'문제입니다: 제한된 라벨링된 손상 위치 데이터로 훈련된 모델은 관측된 영역에서는 잘 작동하지만, 구조물의 관측되지 않은 영역으로 일반화하는 데 실패하는 경향이 있습니다. 이 한계는 희소한 피치 - 캐치 (pitch-catch) 측정치로부터 결함 좌표를 추론하는 것이 약하게 제약된 역문제이기 때문에 발생합니다. 기존 머신러닝 접근법은 일반적으로 센서 데이터를 배열이나 이미지로 취급하여 트랜스듀서 네트워크의 관계적 위상 (relational topology) 을 명시적으로 모델링하지 못합니다. 또한, 표준 지도 학습 회귀 모델은 훈련 도메인을 넘어 외삽할 때 특히, 센싱 네트워크 전반에 걸친 실제 파동 에너지 재분포와 물리적으로 일관성이 없는 수치적으로 그럴듯한 좌표를 예측할 수 있습니다.

방법론: WaveGraphNet
본 논문은 희소 가이드파 국소화의 모호성을 해결하기 위해 설계된 결합된 역 - 정방향 그래프 학습 프레임워크인 WaveGraphNet을 제안합니다. 핵심 혁신은 역국소화 작업에 대한 물리 일관성 정규화자로 학습된 정방향 모델을 통합하는 것입니다.

1. 그래프 공식화:

   • 센싱 네트워크는 트랜스듀서를 노드로, 전파 경로를 엣지로 하는 그래프로 명시적으로 모델링됩니다.
   • 역 분기 ($G_{inv}$): 모든 측정된 전파 경로 ($P$) 를 사용하여 차분 가이드파 응답의 그래프 구조 스펙트럼 기술자를 결함 좌표 ($\hat{p}$) 로 매핑합니다. 이 분기는 이질적인 경로로부터 정보를 집계하기 위해 그래프 어텐션 네트워크 (GAT) 를 사용합니다.
   • 정방향 분기 ($G_{fwd}$): 판을 가로지르는 경로의 부분집합 ($P_f$) 을 사용하여 후보 결함 위치가 유도하는 경로별 에너지 편차 패턴 ($\Delta E$) 을 예측합니다. 이 분기는 후보 좌표를 입력으로 받아 예상되는 에너지 재분포를 출력합니다.

2. 결합 훈련 전략:
   프레임워크는 안정성과 효과적인 학습을 보장하기 위해 세 단계로 훈련됩니다:

   • 1 단계 (역 사전 훈련): 역 분기는 측정치를 좌표로 매핑하기 위해 국소화 손실 ($L_{loc}$) 만으로 훈련됩니다.
   • 2 단계 (정방향 사전 훈련): 정방향 분기는 기준 좌표를 기반으로 에너지 편차를 예측하도록 훈련됩니다.
   • 3 단계 (결합 최적화): 역 분기는 미세 조정되는 동안 정방향 분기는 고정됩니다. 총 손실 함수 ($L_{total}$) 는 다음을 결합합니다:
     • 국소화 손실: 예측된 좌표와 실제 좌표 간의 거리를 최소화합니다.
     • 정방향 일관성 손실: 고정된 정방향 모델을 통과했을 때 측정 데이터와 일관되지 않은 에너지 편차 패턴을 생성하는 역 예측에 페널티를 부과합니다.
     • 물리 보정 손실: 정방향 일관성 손실의 기울기를 사용하여 역 예측을 물리적으로 일관된 영역으로 안내합니다.

3. 통합 회귀:
   모델은 손상되지 않은 샘플에 허용 가능한 판 영역 외부에 위치한 고정된"손상 없음"목표 좌표를 할당함으로써 단일 회귀 프레임워크 내에서 손상 및 비손상 상태를 모두 처리합니다. 이는 별도의 손상 감지 분류기가 필요하지 않게 합니다.

주요 기여

• 그래프 기반 공식화: 저자들은 희소 가이드파 손상 국소화를 그래프 - 좌표 회귀 문제로 공식화하여 트랜스듀서를 노드로, 전파 경로를 엣지로 명시적으로 표현하여 관계적 구조를 포착합니다.
• 결합 역 - 정방향 프레임워크: 경로별 에너지 편차에 대한 학습된 정방향 모델이 일관성 제약으로 작용하여 역국소화를 물리적 타당성을 보장하도록 정규화하는 새로운 아키텍처를 도입합니다.
• 공간 외삽 평가: 연구는 Open Guided Wave (OGW)-1 벤치마크에서 두 가지 공간적으로 홀드아웃된 훈련 - 테스트 분할 (Split A 및 Split B) 을 정의하고 평가합니다. 이러한 분할은 단순한 보간이 아닌 관측되지 않은 손상 영역으로의 외삽을 특별히 테스트하도록 설계되었습니다.
• 통합 손상/손상 없음 처리: 프레임워크는 pristine(원래 상태) 및 손상된 상태를 동일한 출력 공간에 내장하여 추론 파이프라인을 단순화합니다.

결과
프레임워크는 증가하는 난이도의 두 가지 공간 홀드아웃 분할을 사용하여 OGW-1 SHM 판 벤치마크에서 평가되었습니다.

• 외삽 성능: 결합된 WaveGraphNet 은 비그래프 기반선 (1D-CNN, LSTM) 및 그래프 기반선 (GNN-MLP, GAT) 에 비해 관측되지 않은 영역에서 가장 낮은 평균 절대 오차 (MAE) 를 달성했습니다. 더 어려운 Split B 시나리오에서 결합 모델은 관측되지 않은 영역의 MAE 를 0.383(GAT) 에서 0.262 로 감소시켰습니다.
• 거짓 긍정률 (FPR): 결합 모델은 두 분할 모두에서 홀드아웃된 손상되지 않은 샘플에서 0.0% 의 FPR 을 달성한 반면, 다른 모델들은 상당한 거짓 긍정 (LSTM 의 경우 최대 94.4%) 을 보였습니다.
• 애블레이션: WaveGraphNet 의"역 전용"변형은 관측된 영역 (보간) 에서 최고의 성능을 보였지만, 관측되지 않은 영역에서는 결합 모델보다 성능이 떨어졌습니다. 이는 정방향 일관성 결합이 단순히 훈련 데이터에 적합하는 것이 아니라 공간 일반화를 특히 향상시킨다는 것을 나타냅니다.

의의 및 주장
본 논문은 WaveGraphNet 이 관계적 그래프 표현과 물리 유도 정방향 일관성 제약을 결합하여 SHM 의 공간 일반화를 개선할 수 있음을 보여준다고 주장합니다. 저자들은 다음과 점을 강조합니다:

• 무작위 훈련 - 테스트 분할을 사용하는 표준 평가 프로토콜은 국소화 성능을 과대평가할 수 있으며, 공간적으로 홀드아웃된 분할은 상당한 일반화 격차를 드러냅니다.
• 결합 역 - 정방향 접근법은 예측된 좌표가 측정된 파동 에너지 재분포와 호환되도록 함으로써 역문제에서의 모호성을 줄입니다.
• 이 프레임워크는 실제 배포에서 일반적인 제약 조건인 제한된 공간 커버리지 하에서 가이드파 국소화를 위한 강력한 전략을 제공합니다.

저자들은 이 연구를 OGW-1 데이터셋에 대한 통제된 실험 사례 연구로 겸손하게 제시하며, 포괄적인 배포 검증이 아닌 것으로 명시합니다. 그들은 향후 작업이 환경적 변동성, 센서 드리프트, 다중 결함 시나리오 하에서의 견고성을 평가하는 데 필요함을 인정합니다.