Modal Decomposition and Identification for a Population of Structures Using Physics-Informed Graph Neural Networks and Transformers

Resumo Técnico: Decomposição e Identificação Modal para uma População de Estruturas

1. Problema e Motivação

A Identificação Modal é fundamental para o Monitoramento de Saúde Estrutural (SHM) e controle de vibrações, fornecendo insights sobre frequências naturais, amortecimento e formas modais. No entanto, métodos tradicionais enfrentam desafios significativos:

• Condições Operacionais Reais: Técnicas de Análise Modal Operacional (OMA) lidam com ruído ambiental e excitações desconhecidas, onde métodos clássicos (como FDD e SSI) muitas vezes falham na separação de modos, especialmente em dados esparsos ou não estacionários.
• Dados Incompletos: Em estruturas reais, o número de sensores é limitado, resultando em medições parciais. Métodos convencionais não conseguem reconstruir formas modais completas sem interpolação grosseira.
• Generalização: Abordagens baseadas em aprendizado de máquina supervisionado exigem grandes conjuntos de dados rotulados (que raramente existem) e muitas vezes não generalizam bem para novas estruturas ou condições de carga.
• População de Estruturas: Existe uma necessidade crescente de monitorar populações de estruturas (ex.: pontes similares, edifícios) que compartilham topologias, mas diferem em propriedades geométricas ou materiais.

2. Metodologia Proposta

O artigo apresenta um framework de aprendizado profundo inovador que integra Redes Neurais de Grafos (GNNs), Transformers e uma Função de Perda Informada pela Física, operando de forma não supervisionada.

O processo é dividido em três etapas principais:

A. Propagação de Características (Feature Propagation - FP)

• Para lidar com medições esparsas (apenas uma fração dos nós instrumentados), o algoritmo FP utiliza a topologia estrutural (matriz de adjacência) para reconstruir as medições dinâmicas completas em todos os nós da estrutura.
• Isso transforma dados incompletos em um conjunto de dados completo, permitindo a análise modal em toda a estrutura.

B. Arquitetura do Modelo de Aprendizado Profundo
O modelo é projetado para decompor respostas dinâmicas de estruturas com múltiplos graus de liberdade (MDOF) em respostas de modos de vibração de grau único (SDOF):

1. GraphSAGE (GNN): Processa as medições dinâmicas completas (reconstruídas pelo FP) representadas como grafos. Ele extrai características espaciais e captura dependências não euclidianas, sendo capaz de lidar com estruturas de topologias variadas e números diferentes de nós.
2. Set Transformer: Utiliza mecanismos de atenção para processar dados de séries temporais sem ordem pré-definida. Ele decompõe as respostas dinâmicas MDOF em respostas temporais de modos SDOF individuais.
3. MLP (Perceptron Multicamada): Projeta as características ocultas para identificar as formas modais em todos os nós da estrutura.

C. Função de Perda Informada pela Física (Physics-Informed Loss)
O modelo é treinado de forma não supervisionada (sem dados rotulados de "verdade absoluta" modal), utilizando uma função de perda composta por três termos baseados em princípios físicos:

1. Teorema da Decomposição Modal: Minimiza o erro quadrático médio (MSE) entre a superposição das respostas modais reconstruídas ($\hat{\Phi} \cdot \hat{Q}$) e as medições originais ($\tilde{X}$).
2. Independência Temporal: Penaliza a correlação entre as respostas temporais dos diferentes modos, forçando-os a serem ortogonais no domínio do tempo (matriz de correlação próxima à identidade).
3. Independência Frequencial: Penaliza a correlação entre os espectros de amplitude (FFT) dos modos, garantindo que as frequências naturais sejam distintas.

3. Principais Contribuições

1. Framework Baseado em População (PBSHM): Desenvolvimento de um modelo capaz de aprender e transferir conhecimento entre uma população de estruturas com topologias variadas, superando a limitação de modelos treinados para uma única estrutura.
2. Decomposição Modal sem Rótulos: Eliminação da necessidade de dados rotulados através de uma estratégia de aprendizado informada pela física, tornando o método aplicável a cenários do mundo real onde parâmetros modais verdadeiros são desconhecidos.
3. Reconstrução de Campo Completo: Uso do algoritmo de Propagação de Características para recuperar medições de campo completo a partir de sensores esparsos, resolvendo um gargalo crítico no SHM.
4. Arquitetura Híbrida GNN-Transformer: Integração bem-sucedida de GNNs (para topologia estrutural) e Transformers (para séries temporais longas), superando limitações de CNNs e LSTMs em dados não estruturados e variáveis.

4. Resultados Experimentais

A validação foi realizada através de simulações numéricas em uma população de treliças e experimentos de laboratório em uma ponte estaiada em escala.

• Desempenho Numérico:

  • O modelo demonstrou alta precisão na decomposição de respostas dinâmicas e identificação de frequências e amortecimentos para estruturas incluídas no conjunto de treinamento.
  • Superou métodos clássicos (EFDD e SSI) na identificação de formas modais de ordem superior, especialmente em cenários com dados esparsos (82% dos nós não medidos).
  • Em estruturas não vistas durante o treinamento, o desempenho foi moderado, indicando que a generalização para topologias muito diferentes ainda é um desafio, embora o método seja superior a abordagens puramente supervisionadas.

• Experimentos de Laboratório:

  • Validado em uma ponte estaiada sob duas condições de carga: "puxar e soltar" (vibração livre) e carga veicular (vibração forçada não estacionária).
  • O modelo identificou com sucesso as três primeiras formas modais verticais.
  • Comparado ao EFDD Automático e SSI, o método proposto forneceu resultados de amortecimento mais estáveis e formas modais mais precisas, embora tenha um tempo de computação maior devido ao treinamento do modelo.

• Estudo de Ablação:

  • A remoção do GNN, do Transformer ou das restrições de independência modal resultou em degradação significativa do desempenho, confirmando a necessidade de todos os componentes da arquitetura proposta.

5. Significância e Conclusões

Este trabalho representa um avanço significativo no campo do SHM baseado em dados:

• Viabilidade Prática: Ao eliminar a dependência de dados rotulados e lidar com medições esparsas, o método torna-se viável para aplicações reais onde a instrumentação é limitada e os parâmetros modais são desconhecidos.
• Superioridade Técnica: A capacidade de separar respostas de modos SDOF individuais e identificar formas modais de alta ordem com precisão superior aos métodos clássicos (FDD/SSI) é um diferencial crucial para o controle de vibrações e detecção de danos.
• Limitações e Futuro: O principal gargalo atual é a necessidade de retreinamento para novas estruturas ou condições de carga complexas, o que aumenta o tempo computacional. O trabalho sugere que futuras pesquisas devem focar em melhorar a generalização do modelo para permitir inferência direta sem retreinamento, potencialmente através de restrições físicas adicionais.

Em suma, a abordagem proposta estabelece um novo paradigma para o Monitoramento de Saúde Estrutural baseado em População (PBSHM), combinando a flexibilidade das redes neurais com a robustez das leis físicas da dinâmica estrutural.