🤖 machine learning

Green Physics-Informed Machine Learning Models For Structural Health Monitoring

Dit artikel evalueert de milieu-impact van modellen voor structurele gezondheidsbewaking door aan te tonen hoe fysisch geïnformeerde "grey-box"-benaderingen in vergelijking met puur datagedreven "black-box"-modellen hoge extrapolatieprestaties kunnen bereiken met verminderde rekenkosten en koolstofemissies.

Oorspronkelijke auteurs: Daisy R Bradley, Elizabeth J Cross

Gepubliceerd 2026-05-01

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Daisy R Bradley, Elizabeth J Cross

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert een robot te leren voorspellen hoe een brug of een vliegtuigvleugel trilt wanneer de wind waait. Meestal leren we robots met een "Black Box"-aanpak: we voeden ze met duizenden foto's van de brug bij verschillende windomstandigheden en zeggen: "Leer het patroon." Dit werkt, maar het is alsof je zwemmen leert door een miljoen boeken over water te lezen zonder ooit in het zwembad te stappen. Het kost veel tijd, veel energie, en als de robot een windpatroon ziet dat hij nog niet heeft gezien, kan hij in de war raken.

Dit artikel introduceert een slimmere manier die "Groene Fysica-Informeerde Machine Learning" heet. Denk hierbij aan het geven van een Zweminstructeur (de fysica) naast de boeken aan de robot. In plaats van alleen maar data te memoriseren, krijgt de robot de basisregels verteld over hoe water (of metaal) beweegt. Dit wordt een "Grey Box"-model genoemd, omdat het een mix is van data en menselijke kennis.

Hier is de eenvoudige uitleg van wat de auteurs, Daisy Bradley en Elizabeth Cross, deden en ontdekten:

1. Het Doel: Energie Besparen (Het "Groene" Deel)

Computers gebruiken elektriciteit, en het opwekken van die elektriciteit veroorzaakt vaak koolstofemissies (zoals rook uit een fabriek). De auteurs wilden weten: Bespaart het leren van een robot met fysicaregels energie in vergelijking met het simpelweg voeden met data?

Ze vergeleken drie soorten "robots" (wiskundige modellen):

Black-1 (De Pure Leerling): Heeft geen voorkennis. Het moet alles vanaf nul leren met alleen data.
Grey-1 (De Student met een Hint): Kent de algemene regels van de fysica, maar moet nog steeds de specifieke details uitzoeken (zoals de exacte periode van een trilling) door naar data te kijken.
Grey-2 (De Expert): Kent de fysicaregels perfect en hoeft de details helemaal niet te raden.

2. Het Experiment: De "Speelgoed" en de "Echte Zaken"

Ze testten deze modellen op twee manieren:

De Speelgoeddoos: Een eenvoudig wiskundig probleem (zoals een golvende lijn) om te zien hoe de modellen zich gedragen.
De Echte Zaken: Een echte labtest van een kleine metalen vliegtuigvleugel (de GARTEUR-structuur) om te zien of het standhoudt in de echte wereld.

De Grote Ontdekking:
De modellen met fysicakennis (de Grey Boxes) hadden veel minder data nodig om het werk goed te doen.

De "Pure Leerling" had 80% van de data nodig om een goed antwoord te krijgen.
De "Expert" (Grey-2) had slechts 20% van de data nodig om hetzelfde goede antwoord te krijgen.

3. De Klap: Complexiteit versus Data

Hier is de draai. Het leren van een robot fysica maakt de robot iets complexer om te bouwen (het heeft meer "knoppen" of instellingen om af te stellen).

In de eenvoudige "Speelgoed"-test: Het "Expert"-model was de winnaar. Omdat het zo weinig data nodig had, was het werk super snel klaar, met het minste stroomverbruik. De besparing door minder data nodig te hebben, was groter dan de kosten van de extra complexiteit.
In de "Echte" vliegtuigtest: Het was iets gemengder. Soms maakte de extra complexiteit van het fysicamodel dat het meer tijd en energie kostte, vooral wanneer de hoeveelheid data zeer klein was. Echter, toen ze een dichter setje data gebruikten (meer punten om van te leren), schitterde het "Expert"-model weer, met 89% minder energie dan de pure leerling.

4. De Conclusie

De auteurs concluderen dat het toevoegen van fysica aan machine learning is alsof je een student een kaart geeft.

Als je een korte afstand loopt (kleine datasets), kan het dragen van de kaart als extra gewicht voelen.
Maar als je een lange afstand loopt (grote, complexe technische problemen), betekent het hebben van de kaart dat je niet hoeft te dwalen en te raden. Je komt veel sneller op de bestemming, wat een enorme hoeveelheid energie bespaart.

Kortom: Door menselijke technische kennis te mengen met computerleren, kunnen we machines leren hun werk te doen met minder data, wat betekent dat ze sneller draaien en minder koolstof verbranden – waardoor structurele gezondheidsbewaking (controleren of bruggen en vliegtuigen veilig zijn) duurzamer wordt.

1. Probleemstelling

Het artikel adresseert de toenemende milieu-impact van Machine Learning (ML) in de engineering, specifiek binnen Structural Health Monitoring (SHM). Hoewel ML steeds vaker wordt ingezet voor regressie- en classificatietaken in de engineering, hebben puur datagedreven ("black-box") benaderingen aanzienlijke beperkingen:

Data-schaarste: Ze falen vaak in het generaliseren naar onbekende omgevings- of operationele condities (EOC's) waar trainingsdata niet beschikbaar is.
Hoge rekenkosten: Om hoge nauwkeurigheid te bereiken, vereisen black-box-modellen doorgaans enorme datasets, wat leidt tot lange trainingtijden en hoge koolstofemissies.

De auteurs veronderstellen dat Physics-Informed Machine Learning (PIML) of "grey-box"-modellen, die fysieke kennis inbouwen in de modelarchitectuur, de benodigde hoeveelheid trainingsdata kunnen verminderen. De kernvraag is of de reductie in data-eisen (en dus runtime) opweegt tegen de potentiële toename in modelcomplexiteit door het inbouwen van fysica, wat uiteindelijk resulteert in lagere koolstofemissies.

2. Methodologie

De studie hanteert een vergelijkend raamwerk met Gaussian Process (GP) regressiemodellen, gekozen omwille van hun interpreteerbaarheid en flexibiliteit om fysica in te bouwen zonder de kernarchitectuur te wijzigen.

A. Modelarchitectuur

Drie verschillende GP-modellen werden ontworpen om variërende niveaus van "grijzigheid" (integratie van fysieke kennis) te testen:

Black-1 (Black-box): Een standaard GP met een constante gemiddelde en een Squared Exponential (SE) kernel. Het heeft 4 hyperparameters om te leren (lengteschaal, outputvariantie, gemiddelde, ruis).
Grey-1 (Semi-fysica): Een SE kernel vermenigvuldigd met een Periodieke kernel (dienend als proxy voor fysiek inzicht betreffende de periodiciteit van het systeem). De periodeparameter is begrensd binnen 10% van de ware waarde. Het heeft 6 hyperparameters.
Grey-2 (Hoge-fysica): Vergelijkbaar met Grey-1, maar de periodeparameter is vastgezet op de ware waarde (niet geoptimaliseerd tijdens training). Het heeft 5 hyperparameters.

B. Experimentele Opstelling

De studie gebruikte twee testgevallen:

Toy-box Geval: Een synthetisch oppervlak gedefinieerd door $y = \sqrt{|x_2|} \sin(4x_1)$ , ontworpen om extrapolatiecapaciteiten te testen.
Engineering Geval (SHM): Real-world data van de GARTEUR benchmark (een metalen vliegtuigconstructie). De taak was om versnellingsresponsen ruimtelijk en temporair te voorspellen. Twee data-indelingen werden getest:
- Origineel: Verspreide datapunten.
- Oversampled: Dichtere datapunten (200 punten per 10% dekking).

C. Evaluatiemetrics & Hulpmiddelen

Prestatiedrempel: Modellen werden getraind met variërende data-dekking (intervallen van 10%) totdat ze een Genormaliseerde Gemiddelde Kwartieke Fout (NMSE) < 10 bereikten.
Koolstofschatting: Het CodeCarbon pakket werd gebruikt om $gCO_2e$ -emissies te schatten op basis van runtime, CPU Thermal Design Power (TDP) en koolstofintensiteit van elektriciteit.
Hardware: Experimenten draaiden op een Dell Inspiron 5680 (Intel Core i7-8700, 32GB RAM).

3. Belangrijkste Bijdragen

Groene Lens op PIML: Dit is het eerste werk dat PIML-modellen expliciet evalueert door de lens van milieu-houdbaarheid (koolstofemissies) in plaats van alleen voorspellende nauwkeurigheid.
Afwegingsanalyse: De studie kwantificeert de afweging tussen modelcomplexiteit (aantal hyperparameters) en data-efficiëntie. Het toont aan dat het inbouwen van fysica de benodigde data om een prestatiedoel te bereiken vermindert, maar de rekenkosten per iteratie verhoogt door meer hyperparameters.
Schalingsinzicht: De auteurs stellen vast dat terwijl eenvoudige modellen gemengde resultaten tonen, het potentieel voor koolstofbesparing van PIML significant schaalt met grotere datasets, waarbij de reductie in trainingsdatavolume de kosten van verhoogde complexiteit overheerst.

4. Resultaten

De resultaten geven aan dat het milieuvoordeel van PIML sterk afhankelijk is van de datasetgrootte en de specifieke configuratie van de fysica-integratie.

Metric	Toy-box Geval	GARTEUR (Origineel)	GARTEUR (Oversampled)
Data-reductie	Grey-2 vereiste 75% minder data dan Black-1.	Grey-2 vereiste 57% minder data.	Grey-2 vereiste 75% minder data.
Emissies ( $gCO_2e$ )	Grey-2 verlaagde emissies met 73,7% (0,124 vs 0,471).	Grey-2 verhoogde emissies met 31,9% (0,0984 vs 0,0746).	Grey-2 verlaagde emissies met 89,7% (0,209 vs 2,04).
Kernfactor	Data-reductie woog zwaarder dan de kosten van hyperparameters.	Kleine datasetgrootte betekende dat de kosten van hyperparameter-optimalisatie domineerden.	Grote datasetgrootte betekende dat de besparingen door data-reductie domineerden.

Toy-box & Oversampled GARTEUR: De physics-informed modellen (vooral Grey-2) bereikten de doelnaauwkeurigheid met aanzienlijk minder data. De resulterende reductie in trainingsduur leidde tot enorme koolstofbesparingen (tot wel ~90% reductie).
Origineel GARTEUR: Vanwege de zeer kleine datasetgrootte weegde de rekenoverhead van het optimaliseren van extra hyperparameters in de grey-box-modellen op tegen de tijdswinst door minder datapunten, wat resulteerde in iets hogere emissies vergeleken met het black-box-model.

5. Betekenis en Conclusie

Het artikel concludeert dat Physics-Informed Machine Learning een levensvatbare strategie is voor "Green Computing" in de engineering, maar dat het succes afhankelijk is van de schaal van de dataset.

Kleine Datasets: De overhead van het leren van extra fysieke parameters kan de voordelen van verminderde data-eisen tenietdoen.
Grote Datasets: De kubische complexiteit van GP-training ( $O(N^3)$ ) betekent dat zelfs een bescheiden reductie in trainingsdatagrootte ( $N$ ) leidt tot exponentiële reducties in runtime en koolstofemissies. In deze scenario's is de "kost" van extra hyperparameters verwaarloosbaar vergeleken met de besparingen door data-reductie.

Toekomstig Werk: De auteurs plannen dit onderzoek uit te breiden naar grootschalige modellen (bijv. Neural Networks en PINNs) en complexere engineeringproblemen om te valideren dat deze trend standhoudt naarmate modellen opschalen naar industriële niveaus. De studie biedt een fundamenteel raamwerk voor engineers om duurzame ML-modellen te ontwerpen door fysiek inzicht expliciet in evenwicht te brengen met rekenlast.