Technische Samenvatting: GPU-versnelde Inverse Structurele Anastylosis vanuit Blokinstortingsdynamiek

1. Probleemformulering

Het artikel behandelt structurele anastylosis, de conserveringsuitdaging van het weer samenvoegen van ingestorte architectonische monumenten uit verspreid puin. Terwijl traditionele methoden vertrouwen op handmatige, subjectieve deskundige oordeelsvorming, herformuleert dit werk anastylosis als een inverse voorspellingsprobleem: gegeven een statische afbeelding van een ingestorte staat (de finale configuratie), moet de oorspronkelijke structurele configuratie (de initiële staat) en de sequentie van gebeurtenissen die tot de instorting leidden, worden gereconstrueerd.

Om dit probleem computationeel hanteerbaar te maken, gebruiken de auteurs het spel Jenga als een fysieke proxy. Jenga biedt een gecontroleerde omgeving met vaste geometrische proporties (lengte:breedte:dikte ≈ 3:1:0,6) en goed gedefinieerde rigide-lichaam-dynamica. De kernuitdaging is het leren van een structurele prior-distributie over geldige torenconfiguraties op basis van visuele observaties van instorting, waardoor de noodzaak voor expliciete oppervlakte-matching of breukanalyse wordt omzeild, wat in verwering door weersinvloeden bij archeologische contexten vaak faalt.

2. Methodologie

Het voorgestelde framework, Jenga Inverse Predictor v2, integreert een hoogwaardige fysica-simulatie-engine met een deep learning-model. De pipeline bestaat uit vier hoofdonderdelen:

A. Fysica-engine en Simulatie

Een aangepaste rigid-body physics engine werd geïmplementeerd om blokdynamica te simuleren, in overeenstemming met de analytische mechanica afgeleid door Ziglar (2006).

• Collision Detection: Maakt gebruik van een twee-fasen aanpak. De broadphase gebruikt GPU-versnelde Axis-Aligned Bounding Boxes (AABB) via CuPy. De narrowphase gebruikt het Separating Axis Theorem (SAT) met Oriented Bounding Boxes (OBB) en Sutherland–Hodgman clipping om contactmanifolds te genereren.
• Contact Solver: Implementeert een Projected Gauss-Seidel (PGS) solver met discrete Coulomb-wrijving. De solver voert 14 iteraties uit per tijdstap om normale impulsen en wrijvingsbeperkingen op te lossen, wat stabiliteit garandeert.
• Dynamica: Het systeem gebruikt semi-impliciete Euler-integratie met sub-stepping ($\Delta t = 1/240$ s). Het handhaaft de mechanische drempelwaarden van Ziglar voor blokverwijdering:
  • Y-as translatie (Zijblok): $F_{app} = 3\mu_s mg$ (Torque-vrij).
  • X-as translatie (Zijblok): $F_{app} = 4\mu_s mg$ (Risico op koppel/torque).
• Instortingscriteria: Een samengesteld criterium triggert de detectie van instorting op basis van maximale verplaatsing ($\Delta x_{max}$), kinetische energie ($E_k$) en rotatiehoek ($\theta_{max}$).

B. Datageneratie

Het systeem genereerde 450 gesimuleerde episodes over drie statische wrijvingscoëfficiënten ($\mu_s \in \{0,25, 0,40, 0,60\}$). Elke episode registreert de volledige temporele sequentie van blokverwijderingen, de resulterende instorting en de uiteindelijke verspreide staat.

C. Neuraal Netwerk Architectuur

Het leercomponent is een dual-stream ResNet-18 aangepast voor grijswaartafbeeldingen en wrijving-injectie.

• Backbone: Een ResNet-18 backbone (gemodificeerd om 1-kanaals grijswaartinput te accepteren) extraheert visuele kenmerken en produceert een 128-dimensionale embedding.
• Wrijving-injectie: Een one-hot vector die het wrijvingsniveau ($\mu_s$) representeert, wordt geprojecteerd en geconcateneerd met de visuele embedding, waardoor één enkel model kan generaliseren over verschillende materiaaleigenschappen.
• Multi-Task Heads: Het netwerk voorspelt gelijktijdig vier outputs:
  1. Aantal verwijderde blokken (Scalar, MSE loss).
  2. Verwijderingslocaties (Heat map van verwijderingswaarschijnlijkheden per blokpositie, BCE loss).
  3. Zwaartepunt (COM) onbalans (Scalar, MSE loss).
  4. Geaccumuleerd koppelrisico (Torque risk) (Scalar, MSE loss, voorspelt het aantal gevaarlijke X-as bewegingen).

D. Inverse Reconstructie

Om de instortingssequentie vanuit een enkele afbeelding te reconstrueren, maakt het systeem gebruik van een Reference Episode Search Algorithm. Het koppelt de voorspellingen van het model (bijv. aantal verwijderde blokken, wrijvingsniveau) aan de database van gesimuleerde episodes. Zodra een overeenkomende episode is geïdentificeerd, keert het systeem de temporele frames om om een video te genereren van de herbouw van de toren, wat effectief het proces van inverse anastylosis visualiseert.

3. Belangrijkste Bijdragen

1. Inverse Anastylosis Framework: Het artikel stelt een nieuwe benadering van anastylosis voor die structurele priors leert uit instortingsdynamica in plaats van te vertrouwen op geometrische oppervlakte-matching.
2. GPU-versnelde Fysica: Implementatie van een volledige rigid-body engine (OBB/SAT + PGS) versneld via Numba JIT en CuPy, in staat om complexe interacties tussen blokken te simuleren met <1% numerieke fout vergeleken met analytische oplossingen.
3. Physics-Informed Deep Learning: Een ResNet-18 architectuur die expliciet fysieke parameters (wrijving) injecteert en fysieke grootheden (koppelrisico, COM-onbalans) voorspelt naast visuele kenmerken.
4. Validatie van Ziglar's Mechanica: De simulatie valideert de analytische drempelwaarden van Ziglar (2006), waarbij wordt bevestigd dat X-as bewegingen aanzienlijk hogere koppel en instortingsrisico genereren dan Y-as bewegingen, en dat hogere wrijving de toren stabiliseert maar de gevaren van koppel-inducerende bewegingen vergroot.

4. Resultaten en Analyse

• Simulatiegetrouwheid: De fysica-engine reproduceerde succesvol de analytische drempelwaarden voor blokglijden en koppel ($F_{app} = 0,23$ N voor Y-as, $0,307$ N voor X-as met $\mu_s=0,4$).
• Modelprestaties: Het getrainde model slaagde erin om het aantal verwijderde blokken, hun locaties en het koppelrisico af te leiden uit statische afbeeldingen van ingestorte torens.
• Wrijvingsgeneralisatie: Het wrijving-injectiemechanisme stelde het model in staat om verschillende materiaaltoestanden ($\mu_s = 0,25, 0,40, 0,60$) te onderscheiden zonder hertraining, zoals blijkt uit de scheiding van embeddings in t-SNE visualisaties.
• Reconstructie: Het systeem genereerde succesvolle vloeiende 3D-video's van de inverse reconstructie door de meest vergelijkbare gesimuleerde episode op te zoeken en om te keren.

5. Betekenis en Claims

Het artikel claimt aan te tonen dat inverse structurele anastylosis oplosbaar is via machine learning wanneer het geworteld is in een rigoureuze fysica-simulatie. De auteurs stellen dat:

• Een volledige rigid-body physics engine kan worden geïmplementeerd om analytische vergelijkingen met hoge precisie te respecteren.
• Neurale netwerken kunnen leren om het verleden van een instorting te "zien" door het puin van het heden te analyseren, waarbij visuele puinpatronen worden gekoppeld aan fysieke parameters (bewegingsaantal, posities, koppelrisico).
• De voorgestelde methode een computationele ruggengraat biedt voor digitaal erfgoed, waarbij specifiek wordt verwezen naar de potentiële toepassing bij de UNESCO Maya-site van Uxmal, waar honderden architectonische structuren reconstructie vereisen.

Dit werk vormt een brug tussen computer vision, rigid-body dynamica en archeologische conservering, en suggereert dat hoewel de huidige implementatie Jenga als proxy gebruikt, de onderliggende principes (het leren van structurele priors uit instortingsdynamica) direct overdraagbaar zijn naar de reassemblage van echte stenen blokken, mits 3D-blokdetectie en specifieke muurtypologieën worden geïntegreerd.