Resumo Técnico: SHM-Agents

Declaração do Problema

No campo da Monitorização da Saúde Estrutural (SHM), os algoritmos especializados existentes são eficazes, mas sofrem de barreiras elevadas de implementação, interoperabilidade limitada e procedimentos de treino complexos. Os utilizadores enfrentam tipicamente fluxos de trabalho fragmentados, onde devem compreender e operar múltiplos módulos algorítmicos independentes com interfaces incompatíveis. Isto exige um investimento significativo de tempo na preparação de dados, treino de modelos, implementação de inferência e coordenação manual de fluxos de trabalho. Além disso, embora os Modelos de Linguagem de Grande Escala (LLMs) tenham demonstrado capacidades notáveis na compreensão da linguagem natural, a sua limitação inerente de produzir predominantemente saídas baseadas em texto impede-lhes a execução autónoma de tarefas de engenharia complexas. Os sistemas SHM atuais carecem de uma solução integrada que possa ligar sem emendas comandos em linguagem natural à execução algorítmica especializada.

Metodologia

Para abordar estes desafios, os autores propõem SHM-Agents, um sistema de agentes integrado generalista-especialista. Este sistema aproveita as capacidades de raciocínio e planeamento de LLMs gerais, integrando simultaneamente as forças de resolução de problemas de algoritmos especializados de SHM.

Arquitetura do Sistema

A arquitetura é modular, constituída por três componentes principais:

1. Nós de Agente de Processo: Estes nós orquestram o fluxo de trabalho.
   • Nó de Arquitetura: Gera planos de execução de tarefas com base na entrada do utilizador e nos detalhes algorítmicos.
   • Nó de Alocação: Avalia o plano, formula comandos específicos para os nós de competência, monitoriza a execução e gere a correção de erros através de um mecanismo de "alocar-executar-retroalimentar-realocar".
   • Nó de Resumo: Encapsula o diálogo, resume os fluxos de execução e os resultados, e fornece feedback final ao utilizador.
2. Nós de Agente de Competência: Estes nós realizam tarefas específicas de SHM utilizando algoritmos dedicados. O sistema inclui atualmente oito nós especializados (por exemplo, Diagnóstico de Anomalias de Dados, Identificação Modal, Modelação de Cargas Veiculares, Cálculo de Fadiga, Cálculo de Confiabilidade, RAG para Perguntas e Respostas) e um "Outro Nó" capaz de escrever e executar código Python para tarefas personalizadas, como processamento de sinais ou ajuste de distribuições.
3. Módulos Globais: Estes gerem o estado do sistema e a integridade dos dados.
   • Módulo de Algoritmos: Armazena as especificações de entrada/saída de algoritmos especializados para garantir a invocação precisa pelo LLM.
   • Módulo de Dados: Gere variáveis geradas durante a execução, garantindo a transferência precisa de dados e a transformação de formatos entre nós.
   • Módulo de Configuração: Gere configurações específicas de pontes, incluindo modelos de elementos finitos, parâmetros ótimos para algoritmos de aprendizagem profunda e detalhes de bases de dados. Suporta pré-treinamento automatizado e geração de configurações.
   • Módulo de Memória: Armazena informações contextuais do diálogo para manter o histórico e o contexto da conversa.

Fluxo de Trabalho

O sistema opera num fluxo de trabalho de "arquitetura–alocação–execução–resumo". Ao receber um comando em linguagem natural (e dados opcionais), o nó de Arquitetura cria um plano. O nó de Alocação divide isto em subtarefas, atribuindo-as aos nós de Competência apropriados. Se ocorrer um erro, o nó de Alocação tenta regenerar comandos; se não for resolvível, reporta ao utilizador. Finalmente, o nó de Resumo compila os resultados.

Contribuições Principais

O artigo delineia quatro contribuições principais:

1. Arquitetura do Sistema: O desenvolvimento de SHM-Agents, que integra um LLM como núcleo inteligente com algoritmos especializados de SHM, demonstrando fortes capacidades na organização e execução de tarefas complexas através de um mecanismo de regulação de auto-retroalimentação.
2. Execução de Ponta a Ponta: A capacidade de executar tarefas de SHM individuais ou combinadas através de interação em linguagem natural. O sistema suporta pré-treinamento profundo de modelos sem intervenção humana, simplificando significativamente a implementação de algoritmos especializados.
3. Gestão Modular: A introdução de um Módulo de Algoritmos para gerir algoritmos diversos e de um Módulo de Dados para garantir a transferência precisa de variáveis, facilitando a invocação correta de ferramentas.
4. Escalabilidade: O sistema é concebido para alta escalabilidade, permitindo que os utilizadores adicionem rapidamente novos nós de agentes para abordar tarefas adicionais sem reformular o sistema central.

Resultados Experimentais

O sistema foi avaliado numa ponte estaiada de grande vão na China. Os experimentos demonstraram a capacidade do sistema de realizar com precisão e eficiência uma vasta gama de tarefas, tanto individualmente como em combinação:

• Diagnóstico e Recuperação de Anomalias de Dados: Detetou com sucesso anomalias (por exemplo, dados em falta, valores atípicos) e reconstruiu dados utilizando informações de alinhamento de períodos temporais adjacentes.
• Processamento de Sinais: O "Outro Nó" gerou e executou autonomamente código Python para realizar transformadas de Fourier e wavelet, aderindo a requisitos complexos de visualização.
• Identificação Modal: Realizou identificação modal estrutural em dados reconstruídos, identificando com sucesso formas modais, frequências e rácios de amortecimento.
• Análise de Longo Prazo: Analisou variações de longo prazo nos parâmetros modais ao longo de intervalos de tempo.
• Avaliação de Confiabilidade: Calculou a confiabilidade estrutural e a probabilidade de falha para o estado atual e tendências projetadas para os próximos 10 anos, incorporando modelos de corrosão.
• Estimativa de Fadiga: Calculou o dano por fadiga com base em cargas veiculares geradas a partir de dados WIM.
• Cálculo de Resposta Estrutural: Calculou o deslocamento no meio do vão sob cargas veiculares dinâmicas utilizando PyAnsys.
• Perguntas e Respostas de Conhecimento: Utilizou um nó de Geração Aumentada por Recuperação (RAG) para responder a perguntas específicas sobre materiais e especificações da ponte com base em documentos carregados.

Significado e Alegações

O artigo afirma que SHM-Agents representa um passo significativo no sentido de simplificar os fluxos de trabalho de SHM. Ao integrar LLMs com algoritmos especializados, o sistema reduz a complexidade da construção de agentes e diminui a barreira de entrada para a utilização de ferramentas avançadas de SHM. Permite que não especialistas realizem análises de engenharia complexas e multi-etapa através de linguagem natural.

Os autores notam que, embora o sistema seja altamente eficaz, a sua precisão na resolução de problemas está diretamente correlacionada com as capacidades do LLM subjacente (por exemplo, GPT-4o), alcançando uma precisão operacional superior a 95%, mas não 100%. Adicionalmente, a qualidade final dos resultados permanece contingente ao desempenho dos algoritmos especializados subjacentes. O artigo conclui que, embora alguns algoritmos planeados (por exemplo, deteção visual de danos superficiais, simulação de gémeo digital) ainda não estejam implementados, a arquitetura modular permite a sua adição contínua, oferecendo um caminho flexível para futura expansão.