Physics-Informed Framework for Impact Identification in Aerospace Composites

Título: Framework Baseado em Física para Identificação de Impacto em Compósitos Aeroespaciais

1. Problema e Contexto

As estruturas compostas aeroespaciais são valorizadas pela sua alta relação resistência-peso, mas são vulneráveis a danos internos causados por impactos de baixa velocidade que não deixam marcas visíveis na superfície. A Monitorização da Saúde Estrutural (SHM) é essencial para detectar e avaliar a severidade desses eventos.

O principal desafio identificado é a estimativa da energia de impacto a partir de respostas estruturais medidas (sinais de sensores). Este é um problema inverso mal-posto devido a:

• Dados de sensores esparsos e ruidosos.
• Resposta estrutural não linear.
• Ausência de parâmetros de excitação direta (massa do impactor, velocidade, história da força).
• Métodos existentes (baseados apenas em física, dados ou probabilísticos) sofrem de limitações como alto custo computacional, falta de generalização, sensibilidade ao ruído ou falta de interpretabilidade física.

2. Metodologia: Framework Phy-ID

O artigo propõe o Phy-ID (Physics-informed Impact Identification), um framework unificado de Machine Learning (ML) que integra conhecimento físico em três níveis de viés (bias) para guiar a inferência:

• Viés Observacional (Input):

  • Transforma os dados brutos de sensores em indicadores de energia baseados em física (multidomínio: tempo, frequência e tempo-frequência).
  • Seleciona características (como RMS, Energia Transmitida, Frequência de Pico) que capturam a resposta estrutural de forma fisicamente significativa, reduzindo a dimensionalidade e melhorando a robustez.

• Viés Indutivo (Arquitetura):

  • Utiliza uma abordagem de inferência disjunta (desacoplada) em vez de prever a energia diretamente.
  • O sistema emprega duas redes neurais separadas (surrogates):
    1. Uma rede para estimar a velocidade de impacto ($v_0$) derivada do campo de deslocamento.
    2. Uma rede para estimar a massa do impactor ($m$).
  • A arquitetura impõe restrições físicas, como condições iniciais (deslocamento zero no início) e a garantia de que a massa seja estritamente positiva.

• Viés de Aprendizado (Função de Perda):

  • Utiliza uma função de perda híbrida que combina termos de dados (erro entre previsão e medição) e termos de física.
  • Conservação de Energia Cinética: A relação física $E = \frac{1}{2}mv^2$ é imposta como uma restrição no processo de otimização. Isso garante que as previsões de massa e velocidade sejam consistentes com a energia medida.
  • Treinamento Sequencial: As redes são treinadas alternadamente para evitar desequilíbrios na otimização (onde a velocidade, sendo quadrática na energia, dominaria o aprendizado da massa).

3. Contribuições Principais

1. Framework Unificado Phy-ID: Integração sistemática de viés observacional, indutivo e de aprendizado para estimativa de energia de impacto fisicamente consistente e numericamente estável.
2. Inferência de Parâmetros Físicos: Capacidade de inferir não apenas a energia, mas parâmetros físicos interpretáveis (massa e velocidade), auxiliando na classificação de eventos e caracterização da fonte.
3. Robustez e Generalização: Demonstração de desempenho estável sob condições de dados limitados, ruído de medição e cenários fora da distribuição (OOD), especialmente quando dados de estados danificados são incluídos no treinamento.
4. Flexibilidade: O framework é adaptável a diferentes objetivos de monitorização e pode ser estendido para incluir outros atributos físicos e restrições.

4. Resultados Experimentais

O método foi validado em dados experimentais de impactos em uma estrutura composta termoplástica reforçada (com 3 reforços), simulando condições reais de SHM.

• Precisão (Caso P1):

  • Erro Percentual Absoluto Médio (MAPE) para velocidade: < 5%.
  • MAPE para massa: < 8%.
  • MAPE para energia de impacto (calculada via $E = \frac{1}{2}mv^2$): < 10%.
  • 88,9% das previsões de energia caíram dentro da faixa de tolerância de ±10%.
  • Comparação: Um modelo puramente baseado em dados (sem as restrições físicas) apresentou MAPE de 12,66% e apenas 51,8% das previsões dentro da tolerância, demonstrando a superioridade do Phy-ID.

• Robustez (Casos R1-R3):

  • O modelo manteve desempenho estável mesmo com redução de dados de treinamento (até 25% dos dados) e aumento de ruído (até 5%).
  • A redução na disponibilidade de dados teve um impacto maior no erro do que o aumento do ruído, mas o framework permaneceu funcional.

• Generalização (Caso G1):

  • O modelo generalizou bem para energias baixas (regime linear/pristino) fora da distribuição de treinamento.
  • Para energias altas (regime com danos), a precisão dependeu criticamente da inclusão de amostras danificadas no conjunto de treinamento. Quando >50% dos dados de treinamento incluíam danos, a extrapolação melhorou significativamente, embora a não-linearidade do dano ainda apresente desafios.

5. Significado e Conclusão

O estudo demonstra que a integração sistemática de conhecimento físico em algoritmos de aprendizado de máquina supera as limitações dos métodos puramente baseados em dados ou puramente físicos para a identificação de impacto em compósitos.

• Estabilidade: As restrições físicas limitam soluções não físicas e estabilizam a inferência sob condições de medição degradadas.
• Interpretabilidade: Ao inferir massa e velocidade separadamente, o sistema fornece insights físicos valiosos, não apenas um número de energia.
• Aplicabilidade: O framework é viável para sistemas de monitorização em tempo real em ambientes aeroespaciais, oferecendo um equilíbrio entre precisão, robustez e interpretabilidade.

O trabalho sugere que futuras extensões podem incluir aprendizado por transferência, modelos de múltipla fidelidade (simulação + dados) e formulações que incorporem incertezas probabilísticas para aumentar ainda mais a confiabilidade em cenários críticos de segurança.