Robust and Explainable 3D Mode Shape Recognition Using Region-Aware Graph Neural Networks

Resumo Técnico: Reconhecimento de Modos de Vibração 3D Robusto e Explicável Usando Redes Neurais de Grafos Sensíveis a Regiões

Definição do Problema
O reconhecimento de modos de vibração da estrutura Body-in-White (BiW) é uma tarefa crítica no desenvolvimento de Ruído, Vibração e Aspereza (NVH) automotivo, tradicionalmente dependente da inspeção visual manual por engenheiros experientes. As abordagens automatizadas existentes enfrentam três limitações principais:

1. Falta de Transferibilidade: Os métodos atuais, frequentemente baseados em heurísticas de engenharia, Critério de Assunção Modal (MAC) ou representações de IA dependentes de geometria, têm dificuldade em generalizar para diferentes arquiteturas de veículos, malhas de elementos finitos (FE) e configurações de medição experimental.
2. Escassez de Dados: Obter rótulos de modos revisados por especialistas é caro e demorado, levando a uma severa escassez de rótulos em conjuntos de dados industriais.
3. Lacuna de Explicabilidade: Muitos modelos de IA funcionam como caixas pretas, falhando em fornecer previsões que se alinhem com a intuição da engenharia ou com as entidades estruturais específicas (ex: colunas, soleiras laterais) utilizadas pelos engenheiros durante a avaliação modal.

Consequentemente, o conhecimento valioso da engenharia permanece fragmentado, e os modelos de IA não podem ser facilmente reutilizados em dados históricos ou em diferentes programas de veículos.

Metodologia
O artigo propõe um Framework de Aprendizado de Grafos Sensível a Regiões construído sobre uma Representação de Grafo de Engenharia Canônica. A filosofia central é desacoplar a semântica da engenharia da discretização numérica, permitindo que o aprendizado ocorra em conceitos de engenharia persistentes, em vez de topologias de malha específicas de cada veículo.

O framework opera através de quatro estágios principais:

1. Representação de Grafo de Engenharia Canônica:

   • Modelos de FE heterogêneos e esqueletos (wireframes) experimentais são transformados em um grafo semântico comum.
   • Nós representam regiões estruturais definidas pela engenharia e persistentes (ex: trilhos do teto, colunas A/B/C, soleiras laterais, estruturas do assoalho), em vez de nós individuais de FE.
   • Arestas codificam relações fisicamente significativas, incluindo adjacência estrutural, simetria esquerda-direita, acoplamento longitudinal de caminho de carga e acoplamento vertical teto-assoalho.
   • Características (Features): As características dos nós são descritores regionais independentes de geometria (deslocamento médio/RMS, direção dominante, resposta vertical assinada, energia de deformação) agregados a partir dos dados originais. Os atributos das arestas capturam características de interação, como concordância de fase e acoplamento.

2. Aprendizado de Grafo Sensível a Regiões:

   • Uma Rede de Atenção de Grafos (GAT) propaga informações entre regiões de engenharia para aprender interações estruturais associadas aos modos de vibração.
   • Fusão de Características Sensível à Engenharia: Em vez de depender apenas de embeddings aprendidos, o framework concatena o embedding global do grafo ($z_{GNN}$) com descritores regionais analíticos informados pela engenharia ($z_{eng}$) (ex: frações de energia do assoalho/teto). Essa fusão ajuda a distinguir famílias de modos fisicamente semelhantes.

3. Predição Hierárquica:

   • O modelo emprega uma estratégia de classificação hierárquica que espelha os processos de revisão de engenharia: primeiro prevendo o mecanismo dominante (Nível 1: torção, flexão, bombeamento), depois refinando para subtipos (Nível 2).
   • O treinamento utiliza uma função objetivo multitarefa que equilibra as perdas de entropia cruzada de Nível 1 e Nível 2.

4. Geração de Conjunto de Dados:

   • Para lidar com a escassez de rótulos, os autores utilizam uma estratégia de aumento de dados guiada pela física. Partindo de um pequeno conjunto de modos revisados por especialistas, eles geram variantes estruturais através de modificações controladas de rigidez em modelos de viga de conceito.
   • Os rótulos são transferidos automaticamente usando MAC dentro do conjunto de dados aumentado, já que o esqueleto de engenharia subjacente permanece consistente.
   • O conjunto de dados de referência compreende quatro programas de veículos heterogêneos (duas simulações FE, dois testes experimentais) com contagens de nós e topologias variadas, todos mapeados para o mesmo grafo canônico.

Principais Contribuições

1. Representação de Grafo de Engenharia Canônica: Uma representação inovadora que mapeia modelos de BiW heterogêneos em um espaço semântico comum, independente da topologia da malha e da configuração de sensores. Isso permite um aprendizado robusto entre diferentes arquiteturas de veículos e fontes de dados.
2. Framework de Aprendizado de Grafo Sensível a Regiões: Uma arquitetura de aprendizado que combina mecanismos de atenção de grafos com descritores regionais explícitos informados pela engenharia para alcançar uma classificação de forma de modo hierárquica e explicável.
3. Demonstração de Transferibilidade entre Veículos: Validação mostrando que o framework alcança alta precisão de classificação e transferibilidade entre diferentes programas de veículos, discretizações de FE e layouts experimentais sob severa escassez de rótulos, sem exigir topologias de malha idênticas.

Resultos Experimentais
O framework foi validado em um benchmark multi-veículo contendo 310 amostras de treinamento aumentadas e um conjunto de teste retido de quatro programas de veículos distintos.

• Acurácia: A abordagem de treinamento multi-veículo alcançou 100% de acurácia no Nível 1 e 98,7% de acurácia no Nível 2 (99,2% combinada) no conjunto de teste retido. Em contraste, um modelo treinado apenas em um veículo de referência alcançou apenas 81,6% de acurácia no Nível 2 em veículos não vistos.
• Transferibilidade: O modelo generalizou-se com sucesso para programas de veículos com apenas 2 a 5 rótulos revisados manualmente, demonstrando que a representação aprendida captura conceitos de engenharia persistentes em vez de artefatos numéricos específicos do veículo.
• Explicabilidade: Mapas de atenção e pontuações de importância de características correspondem diretamente a regiões estruturais reconhecíveis (ex: conexões coluna-soleira lateral para torção, acoplamento teto-assoalho para flexão), alinhando-se com interpretações de engenharia estabelecidas.

Significado e Alegações
Os autores afirmam que a principal barreira para a IA de engenharia transferível não é a sofisticação da arquitetura da rede neural, mas a representação dos dados de engenharia. Ao mudar de discretizações de malha dependentes de geometria para uma representação canônica baseada em semânticas de engenharia persistentes, o framework possibilita:

• Reuso de Conhecimento: O conhecimento histórico de engenharia pode ser acumulado e transferido entre sucessivos programas de veículos, em vez de ser reaprendido do zero.
• IA Confiável: As predições são fisicamente interpretáveis, permitindo que engenheiros verifiquem decisões contra mecanismos estruturais conhecidos.
• Escalabilidade Industrial: A abordagem reduz a necessidade de extensivo retreinamento específico para cada veículo e grandes conjuntos de dados anotados, tornando a implantação de IA viável em fluxos de trabalho industriais com recursos limitados.

Os autores concluem que a Representação de Grafo de Engenharia Canônica serve como uma abstração de engenharia reutilizável, fornecendo uma base para uma IA confiável e transferível através de fluxos de trabalho heterogêneos de simulação e experimentação na indústria automotiva.