WaveGraphNet: Physics-Consistent Guided-Wave Damage Localization through Coupled Inverse-Forward Graph Learning

Resumo Técnico: WaveGraphNet

Declaração do Problema
A monitorização da saúde estrutural (SHM) por ondas guiadas visa detetar e localizar danos em materiais compósitos, como placas de polímero reforçado com fibra de carbono (CFRP), utilizando redes esparsas de transdutores piezoelétricos. Um desafio crítico neste domínio é o problema da "extrapolação espacial": modelos treinados num conjunto limitado de localizações de danos rotuladas frequentemente apresentam bom desempenho em regiões observadas, mas falham em generalizar para áreas não vistas da estrutura. Esta limitação surge porque a inferência de coordenadas de defeitos a partir de medições de pitch-catch esparsas é um problema inverso fracamente restrito. As abordagens existentes de aprendizagem automática tratam tipicamente os dados dos sensores como arrays ou imagens, falhando em modelar explicitamente a topologia relacional da rede de transdutores. Além disso, modelos de regressão supervisionada padrão podem prever coordenadas numericamente plausíveis que são fisicamente inconsistentes com a redistribuição real da energia da onda através da rede de deteção, particularmente ao extrapolar para além do domínio de treino.

Metodologia: WaveGraphNet
O artigo propõe o WaveGraphNet, um quadro de aprendizagem gráfica acoplado inverso–forward projetado para abordar a ambiguidade da localização de ondas guiadas esparsas. A inovação central é a integração de um modelo forward aprendido como um regularizador consistente com a física para a tarefa de localização inversa.

1. Formulação Gráfica:

   • A rede de deteção é modelada explicitamente como um grafo onde os transdutores são nós e os caminhos de propagação são arestas.
   • Ramo Inverso ($G_{inv}$): Utiliza todos os caminhos de propagação medidos ($P$) para mapear descritores espectrais estruturados em grafo de respostas diferenciais de ondas guiadas para uma coordenada de defeito ($\hat{p}$). Este ramo emprega Redes de Atenção Gráfica (GAT) para agregar informação de caminhos heterogéneos.
   • Ramo Forward ($G_{fwd}$): Utiliza um subconjunto de caminhos que atravessam a placa ($P_f$) para prever os padrões de desvio de energia por caminho ($\Delta E$) induzidos por uma localização de defeito candidata. Este ramo toma uma coordenada candidata como entrada e produz a redistribuição de energia esperada.

2. Estratégia de Treino Acoplado:
   O quadro é treinado em três fases para garantir estabilidade e aprendizagem eficaz:

   • Fase I (Pré-treino Inverso): O ramo inverso é treinado exclusivamente na perda de localização ($L_{loc}$) para mapear medições para coordenadas.
   • Fase II (Pré-treino Forward): O ramo forward é treinado para prever desvios de energia com base em coordenadas de verdade fundamental.
   • Fase III (Otimização Acoplada): O ramo inverso é ajustado finamente enquanto o ramo forward permanece congelado. A função de perda total ($L_{total}$) combina:
     • Perda de Localização: Minimiza a distância entre coordenadas previstas e verdadeiras.
     • Perda de Consistência Forward: Penaliza previsões inversas que, quando passadas através do modelo forward congelado, produzem padrões de desvio de energia inconsistentes com os dados medidos.
     • Perda de Correção Física: Utiliza o gradiente da perda de consistência forward para guiar a previsão inversa para uma região fisicamente consistente.

3. Regressão Unificada:
   O modelo trata tanto estados danificados como não danificados dentro de um único quadro de regressão, atribuindo a amostras não danificadas uma coordenada alvo fixa "sem dano" localizada fora do domínio admissível da placa. Isto elimina a necessidade de um classificador separado para deteção de danos.

Principais Contribuições

• Formulação Baseada em Grafos: Os autores formulam a localização de danos por ondas guiadas esparsas como um problema de regressão grafo-a-coordenada, representando explicitamente transdutores como nós e caminhos de propagação como arestas para capturar a estrutura relacional.
• Quadro Inverso-Forward Acoplado: Introduzem uma arquitetura inovadora onde um modelo forward aprendido de desvio de energia por caminho atua como uma restrição de consistência, regularizando a localização inversa para garantir plausibilidade física.
• Avaliação de Extrapolção Espacial: O estudo define e avalia duas divisões treino-teste mantidas espacialmente fora (Divisão A e Divisão B) no benchmark Open Guided Wave (OGW)-1. Estas divisões são concebidas especificamente para testar a extrapolação para zonas de danos não vistas em vez de simples interpolação.
• Tratamento Unificado Dano/Sem Dano: O quadro incorpora estados intactos e danificados no mesmo espaço de saída, simplificando o pipeline de inferência.

Resultados
O quadro foi avaliado no benchmark de Placa SHM OGW-1 utilizando duas divisões de retenção espacial de dificuldade crescente.

• Desempenho de Extrapolção: O WaveGraphNet acoplado alcançou o menor Erro Absoluto Médio (MAE) em zonas não vistas em comparação com baselines não gráficas (1D-CNN, LSTM) e baselines gráficas (GNN-MLP, GAT). No cenário mais difícil da Divisão B, o modelo acoplado reduziu o MAE da zona não vista de 0,383 (GAT) para 0,262.
• Taxa de Falsos Positivos (FPR): O modelo acoplado alcançou uma FPR de 0,0% em amostras não danificadas mantidas fora em ambas as divisões, enquanto outros modelos exibiram falsos positivos significativos (até 94,4% para LSTM).
• Ablação: A variante "Apenas Inverso" do WaveGraphNet alcançou o melhor desempenho em regiões vistas (interpolação), mas performou pior do que o modelo acoplado em regiões não vistas. Isto indica que o acoplamento de consistência forward melhora especificamente a generalização espacial em vez de apenas ajustar os dados de treino.

Significado e Alegações
O artigo alega que o WaveGraphNet demonstra o potencial de combinar representações gráficas relacionais com restrições de consistência forward guiadas pela física para melhorar a generalização espacial na SHM. Os autores enfatizam que:

• Protocolos de avaliação padrão que utilizam divisões treino-teste aleatórias podem superestimar o desempenho de localização; divisões mantidas espacialmente fora revelam lacunas significativas de generalização.
• A abordagem inversa-forward acoplada reduz a ambiguidade no problema inverso, garantindo que as coordenadas previstas sejam compatíveis com a redistribuição medida da energia da onda.
• O quadro oferece uma estratégia robusta para localização por ondas guiadas sob cobertura espacial limitada, uma restrição comum na implementação no mundo real.

Os autores enquadram modestamente o estudo como um caso de estudo experimental controlado no conjunto de dados OGW-1 em vez de uma validação abrangente de implementação. Reconhecem que é necessário trabalho futuro para avaliar a robustez sob variabilidade ambiental, deriva de sensores e cenários de múltiplos defeitos.