Integrating Artificial Intelligence, Physics, and Internet of Things: A Framework for Cultural Heritage Conservation

Dit artikel presenteert een innovatief raamwerk voor de conservering van cultureel erfgoed dat Internet of Things, kunstmatige intelligentie en fysica integreert via een vierlaagse architectuur met Physics-Informed Neural Networks en Reduced Order Methods om betrouwbare simulaties en voorspellend onderhoud mogelijk te maken.

De kern

Stel je voor dat je een oude, kostbare vaas hebt die je familie al eeuwenlang bewaart. Je wilt hem beschermen, maar je weet niet precies hoe hij eruitziet als hij binnen 50 jaar is, of welke plek in het museum hem het meest schade toebrengt. Je kunt hem niet elke dag uit elkaar halen om te kijken of hij barst, en je kunt niet voorspellen hoe de hitte van de zon of de vochtigheid van de lucht hem beïnvloedt.

Dit is precies het probleem waar cultureel erfgoed (oude gebouwen, standbeelden, kunstwerken) mee kampt. De auteurs van dit paper, Carmine Valentino en zijn team, hebben een slimme oplossing bedacht: een digitaal "super-brein" dat helpt om deze schatten te beschermen.

Hier is hoe hun systeem werkt, vertaald naar een simpel verhaal:

1. De Digitale Spiegel (De 3D-Modellen)

Stel je voor dat je een standbeeld scant met een laser. Je krijgt dan een perfecte, digitale kopie: een 3D-model.

• Het probleem: Deze digitale kopieën zijn vaak heel complex, als een ingewikkeld legpuzzel. Computers kunnen hier niet zomaar mee rekenen om te voorspellen of het standbeeld gaat barsten.
• De oplossing: Het team heeft een automatische "vertaler" bedacht (gebaseerd op software die ze Blender noemen). Deze vertaler neemt die ingewikkelde digitale kopie en maakt er een schone, begrijpelijke versie van, klaar voor de computer om mee te werken. Het is alsof je een rommelige zolder opruimt en alles in nette dozen zet, zodat je er snel bij kunt.

2. De Twee Hoofden van het Brein (AI + Fysica)

Om te voorspellen wat er met een oud gebouw gebeurt, heb je twee dingen nodig:

1. De Wetten van de Natuur (Fysica): We weten bijvoorbeeld dat warmte uitdijt en dat vocht roest veroorzaakt. Dit zijn de "regels" van het spel.
2. De Feiten uit de Wereld (Data): We hebben sensoren (zoals slimme thermometers) die meten wat er nu gebeurt: "Het is hier 25 graden," of "De luchtvochtigheid is hoog."

Vroeger moest je kiezen: of je keek alleen naar de regels (wat soms te theoretisch is), of je keek alleen naar de metingen (wat soms onbetrouwbaar is als je niet genoeg metingen hebt).

• De innovatie: Dit systeem gebruikt een nieuw type kunstmatige intelligentie, genaamd PINN (Physics-Informed Neural Networks).
• De analogie: Stel je een leerling voor die een auto rijdt.
  • De oude AI leerde alleen door te kijken naar duizenden foto's van auto-ongelukken (data), maar wist niet hoe een motor werkte.
  • De oude fysica wist precies hoe een motor werkte, maar kon niet goed inspelen op de specifieke wegcondities.
  • Deze nieuwe AI is een leerling die zowel de handleiding van de auto uit zijn hoofd kent (de natuurwetten) als in real-time kijkt naar de weg en de weersomstandigheden (de sensoren). Hierdoor maakt hij veel betere voorspellingen.

3. De Snelle Rekenmachine (De Versneller)

Het grote probleem bij het simuleren van oude gebouwen is dat het rekenwerk enorm veel tijd kost. Het kan dagen duren om te berekenen hoe een kerkje reageert op een storm.

• De oplossing: Het team gebruikt een trucje genaamd ROM (Reduced Order Models).
• De analogie: Stel je voor dat je een heel lang, gedetailleerd boek wilt samenvatten voor iemand die haast heeft. In plaats van het hele boek te lezen, maak je een samenvatting van de belangrijkste hoofdstukken. Je verliest niet de kern van het verhaal, maar het duurt nu seconden in plaats van uren.
• In dit systeem wordt eerst een "samenvatting" gemaakt van de complexe berekeningen (offline). Zodra die klaar is, kan het systeem in real-time voorspellingen doen. Experts kunnen dus direct zien: "Als het morgen regent, gebeurt er hier een barst."

4. Het Complete Systeem (De 4-Lagen Architectuur)

Het hele project is opgebouwd als een huis met vier verdiepingen:

1. De Begane Grond (Inzameling): Hier komen de data binnen. De sensoren meten de temperatuur, en de 3D-scans van het gebouw worden geladen.
2. De Kelder (Opslag): Alle informatie wordt netjes opgeslagen en gecontroleerd. Is er data weggevallen? Dan wordt dat hier opgemerkt.
3. De Werkplaats (Berekening): Hier gebeurt de magie. De AI en de fysica werken samen. Ze gebruiken de "samenvatting" (ROM) om snel te rekenen en de sensordata te combineren met de natuurwetten.
4. De Zolder (Toepassing): Hier kijkt de expert (bijvoorbeeld een restaurateur) naar de resultaten. Ze zien een digitaal beeld van het gebouw met rode vlakken waar gevaar dreigt. Ze kunnen direct beslissingen nemen: "We moeten dit stuk muur nu behandelen."

Waarom is dit belangrijk?

Dit systeem is als een tijdmachine en een waarzegger in één.

• Het helpt om schade te voorkomen voordat het gebeurt (predictief onderhoud).
• Het combineert de wijsheid van eeuwenoude natuurwetten met de kracht van moderne sensoren.
• Het is snel en goedkoop genoeg om te gebruiken voor echte, complexe gebouwen, niet alleen voor simpele voorbeelden.

Kortom: Het paper beschrijft hoe we met slimme software, sensoren en een beetje wiskunde onze culturele schatten kunnen "verjongen" en veilig kunnen houden voor de toekomst, zonder ze te hoeven aanraken. Het is een brug tussen het verleden (onze erfgoederen) en de toekomst (AI en IoT).

Technische samenvatting

Probleemstelling

De conservering van cultureel erfgoed vereist steeds meer geavanceerde strategieën voor monitoring en voorspellend onderhoud. Bestaande benaderingen missen vaak een geïntegreerd raamwerk dat drie cruciale componenten combineert:

1. IoT-gegevens: Data van sensoren (temperatuur, corrosie, vervuiling).
2. Data-gedreven AI: Machine Learning voor patroonherkenning.
3. Fysische kennis: De wiskundige wetten die de degradatieprocessen beschrijven.

De huidige literatuur gebruikt deze technologieën vaak gescheiden (bijv. alleen numerieke simulaties of alleen AI zonder fysische wetten). Dit leidt tot onbetrouwbare simulaties of een gebrek aan interpretatie. Er is een behoefte aan een systeem dat digitale tweelingen (Digital Twins) van complexe, onregelmatige culturele objecten (zoals rotsen, zuilen, tempels) kan verwerken en realistische, snelle simulaties kan uitvoeren voor zowel directe problemen (voorspelling) als inverse problemen (parameteridentificatie).

Methodologie

Het auteurs stellen een nieuw raamwerk voor dat bestaat uit vier functionele lagen, gebaseerd op Scientific Machine Learning (SciML):

1. Acquisitielaag:

   • Verwerkt 3D-modellen (bijv. .blend-bestanden van laser scans of fotogrammetrie) via de Blender API.
   • Integreert sensordata en open data via IoT-platforms.
   • Een speciaal 3D Model Module moduleert geometrieën automatisch naar mesh-bestanden en kollocatiepunten, geschikt voor simulatie.

2. Kennisbasislaag (Knowledge-Base):

   • Een centrale opslag voor sensordata, 3D-modellen, en voorverwerkte data (mesh, steekproeven).
   • Bevat een pre-processing module om ontbrekende data te detecteren.

3. Inference Engine Laag (De kern van de berekening):

   • Offline Module: Voert hoge-resolutie berekeningen uit met de Finite Element Method (FEM) om "snapshots" te genereren.
   • Reduced Order Models (ROM): Gebruikt Proper Orthogonal Decomposition (POD) om de FEM-oplossingen te comprimeren tot een laag-dimensionale ruimte. Dit versnelt de berekening aanzienlijk voor online gebruik.
   • PINN Module (Physics-Informed Neural Networks): Combineert data met fysische wetten (PDE's).
     • Inverse Probleem Submodule: Identificeert onbekende parameters (bijv. materiaaleigenschappen) uit sensordata.
     • Direct Probleem Submodule: Simuleert fysische fenomenen (bijv. temperatuurverdeling) met bekende parameters.
   • msh2xdmf Module: Convergeert resultaten naar visualiseerbare bestanden.

4. Toepassingslaag:

   • Biedt een dashboard voor experts om simulaties te visualiseren, 3D-modellen te uploaden en resultaten te downloaden.

Kerntechnieken:

• PINNs: Neuronale netwerken die de verliesfunctie (loss function) minimaliseren door zowel de PDE-residu's als de sensordata te gebruiken.
• ROM/POD: Vermindert de rekenkosten door een "surrogaatmodel" te bouwen op basis van de belangrijkste modi van de oplossing.

Belangrijkste Bijdragen

1. Geautomatiseerde 3D-Modelverwerking: Een unieke methode om complexe, onregelmatige 3D-geometrieën (van Blender) automatisch om te zetten in simulatie-klaar formaat (mesh, kollocatiepunten) voor PINNs en ROMs.
2. Hybride SciML Raamwerk: De eerste integratie van IoT, PINNs en ROMs specifiek voor cultureel erfgoed. Dit combineert de interpretatiekracht van fysica met de flexibiliteit van AI.
3. Efficiënte Inverse en Directe Probleemoplossing: Het raamwerk kan zowel onbekende parameters identificeren (inverse) als snelle voorspellingen doen (direct) met behulp van het offline-online paradigma.
4. Open Source en Reproduceerbaar: Alle code, pipelines en experimenten zijn beschikbaar via GitHub, wat transparantie en aanpassing door anderen mogelijk maakt.

Resultaten

De auteurs testten het raamwerk op vier benchmarkproblemen met complexe geometrieën (rots, zuil, tempel):

• Test 1 & 2 (Inverse Problemen):

  • Doel: Identificatie van parameters ($\lambda, \alpha, \beta$) in Poisson- en parabolische PDE's.
  • Resultaat: De PINN slaagde erin de parameters met een relatieve fout van ongeveer $10^{-2}$ tot $10^{-3}$ te identificeren.
  • Efficiëntie: De ROM (via POD) leverde een surrogaatoplossing die zeer nauwkeurig was vergeleken met de volledige FEM-oplossing (fouten in de orde van $10^{-6}$ tot $10^{-8}$), maar met veel minder rekentijd.

• Test 3 & 4 (Directe Problemen):

  • Doel: Temperatuurmonitoring en diffusie-reactie systemen.
  • Resultaat: De integratie van sensordata met fysische wetten (via PINNs) leverde betrouwbare simulaties op.
  • Vergelijking: De "data-integratie" aanpak presteerde beter dan een puur fysieke aanpak (fouten daalden van ~7.6% naar ~4.1% voor diffusie-reactie), wat aantoont dat sensordata de nauwkeurigheid in complexe scenario's verbetert.

Betekenis en Conclusie

Dit artikel presenteert een doorbraak in de conservering van cultureel erfgoed door een brug te slaan tussen de digitale wereld (IoT, AI) en de fysieke realiteit (wiskundige modellen).

• Praktische Toepassing: Het systeem stelt conservators in staat om "digitale tweelingen" te creëren die niet alleen visueel zijn, maar ook fysisch gedrag voorspellen. Dit maakt voorspellend onderhoud mogelijk (bijv. voorspellen van corrosie of thermische stress).
• Schaalbaarheid: Door het gebruik van ROMs kunnen complexe simulaties in real-time of near-real-time worden uitgevoerd, wat essentieel is voor monitoring.
• Toekomstperspectief: Hoewel de resultaten veelbelovend zijn, blijft de kwaliteit afhankelijk van de nauwkeurigheid van de input-data (3D-modellen en sensoren). Toekomstig werk richt zich op het afleiden van fysische dynamica puur uit data wanneer geen modellen beschikbaar zijn.

Samenvattend biedt dit raamwerk een robuuste, open-source oplossing voor de geautomatiseerde, nauwkeurige en snelle analyse van cultureel erfgoed, waarbij de kracht van AI en fysica wordt gecombineerd.