🤖 machine learning

Green Physics-Informed Machine Learning Models For Structural Health Monitoring

本文通过展示物理信息驱动的“灰箱”方法相较于纯数据驱动的“黑箱”模型，能够以更低的计算成本和碳排放实现更高的外推性能，从而评估了结构健康监测模型的环境影响。

原作者： Daisy R Bradley, Elizabeth J Cross

发布于 2026-05-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Daisy R Bradley, Elizabeth J Cross

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在教一个机器人预测在风吹拂下桥梁或飞机机翼将如何振动。通常，我们使用“黑箱”方法来训练机器人：我们向它们输入成千上万张不同风力条件下桥梁的照片，并说：“学习这个模式。”这确实有效，但这就像试图通过阅读一百万本关于水的书来学习游泳，却从未真正跳进泳池一样。这需要耗费大量时间和能量，而且如果机器人遇到它从未见过的风模式，它可能会感到困惑。

本文介绍了一种更聪明的方法，称为“绿色物理信息机器学习”。你可以将其理解为：除了书本之外，还有一位“游泳教练”（即物理学）在指导机器人。机器人不再仅仅死记硬背数据，而是被告知水（或金属）运动的基本规则。这被称为“灰箱”模型，因为它结合了数据和人类知识。

以下是作者黛西·布拉德利（Daisy Bradley）和伊丽莎白·克罗斯（Elizabeth Cross）所做工作及发现的核心要点：

1. 目标：节约能源（“绿色”部分）

计算机消耗电力，而电力的生产往往会产生碳排放（类似于工厂排放的烟雾）。作者想要探究的问题是：与单纯输入数据相比，利用物理规则训练机器人是否能节约能源？

他们比较了三种类型的“机器人”（数学模型）：

黑箱 -1（纯学习者）： 没有任何先验知识。它必须仅依靠数据从头开始学习一切。
灰箱 -1（获得提示的学生）： 了解一般的物理规则，但仍需通过查看数据来推断具体细节（例如振动的确切周期）。
灰箱 -2（专家）： 完美掌握物理规则，完全不需要猜测任何细节。

2. 实验：“玩具”与“实物”

他们通过两种方式测试了这些模型：

玩具盒： 一个简单的数学问题（例如一条波浪线），用于观察模型的行为。
实物： 对小型金属飞机机翼（GARTEUR 结构）进行的真实实验室测试，以验证其在现实世界中的表现。

重大发现：
拥有物理知识的模型（灰箱模型）需要少得多的数据就能正确完成任务。

“纯学习者”需要 80% 的数据才能获得良好的答案。
“专家”（灰箱 -2）仅需 20% 的数据即可获得相同的良好答案。

3. 转折：复杂度与数据

这里有一个转折。教机器人物理知识会使机器人的构建略微复杂化（它拥有更多需要调节的“旋钮”或设置）。

在简单的“玩具”测试中： “专家”模型获胜。因为它所需的数据极少，所以完成工作极快，消耗的电量最少。减少数据需求所带来的节省，超过了额外复杂度带来的成本。
在“实物”飞机测试中： 情况略显复杂。有时，物理模型的额外复杂度会导致其花费更多的时间和能量，尤其是在数据量非常小的情况下。然而，当他们使用更密集的数据集（更多可供学习的点）时，“专家”模型再次大放异彩，比纯学习者节省了 89% 的能源。

4. 结论

作者总结道，将物理知识融入机器学习，就像给学生一张地图。

如果你只走很短的距离（小数据集），携带地图可能会感觉像是额外的负担。
但如果你要走很长的路（大型、复杂的工程问题），拥有地图意味着你不必四处游荡猜测。你能更快地到达目的地，从而节省巨大的能量。

简而言之： 通过将人类工程知识与计算机学习相结合，我们可以用更少的数据训练机器完成工作，这意味着它们运行更快，碳排放更少——从而使结构健康监测（检查桥梁和飞机是否安全）更加可持续。

以下是 Bradley 和 Cross 所著论文《用于结构健康监测的绿色物理信息机器学习模型》的详细技术总结。

1. 问题陈述

本文探讨了机器学习（ML）在工程领域，特别是在结构健康监测（SHM）中日益增长的环境影响。尽管机器学习在工程中的回归和分类任务中应用日益广泛，但纯粹的数据驱动（“黑盒”）方法存在显著局限性：

数据稀缺性：它们通常难以泛化到未见过的环境或运行条件（EOCs），因为这些条件下缺乏训练数据。
高计算成本：为了实现高精度，黑盒模型通常需要海量数据集，导致训练时间长且碳排放高。

作者假设，将物理知识嵌入模型架构中的**物理信息机器学习（PIML）**或“灰盒”模型，可以减少所需的训练数据量。核心研究问题是：数据需求（从而运行时间）的减少是否足以抵消因嵌入物理知识而导致的模型复杂度潜在增加，最终实现更低的碳排放。

2. 方法论

该研究采用比较框架，使用**高斯过程（GP）**回归模型，选择它们是因为其可解释性以及在不改变核心架构的情况下嵌入物理知识的灵活性。

A. 模型架构

设计了三种不同的 GP 模型，以测试不同级别的“灰度”（物理知识的整合）：

Black-1（黑盒）：具有常数均值和平方指数（SE）核的标准 GP。它有4 个超参数需要学习（长度尺度、输出方差、均值、噪声）。
Grey-1（半物理）：SE 核乘以一个周期核（作为系统周期性物理洞察的代理）。周期参数被限制在真实值的 10% 范围内。它有6 个超参数。
Grey-2（高物理）：与 Grey-1 类似，但周期参数被固定为真实值（在训练期间不进行优化）。它有5 个超参数。

B. 实验设置

研究使用了两个测试案例：

Toy-box 案例：一个由 $y = \sqrt{|x_2|} \sin(4x_1)$ 定义的合成曲面，旨在测试外推能力。
工程案例（SHM）：来自GARTEUR 基准（一种金属飞机结构）的真实世界数据。任务是在空间和时间上预测加速度响应。测试了两种数据布局：
- 原始：稀疏数据点。
- 上采样：更密集的数据点（每 10% 覆盖范围 200 个点）。

C. 评估指标与工具

性能阈值：模型使用不同的数据覆盖率（10% 间隔）进行训练，直到达到归一化均方误差（NMSE）< 10。
碳估算：使用CodeCarbon包，基于运行时间、CPU 热设计功耗（TDP）和电力碳强度来估算 $gCO_2e$ 排放量。
硬件：实验在 Dell Inspiron 5680（Intel Core i7-8700，32GB RAM）上运行。

3. 主要贡献

PIML 的绿色视角：这是第一项明确从环境可持续性（碳排放）而非仅仅是预测精度的角度评估 PIML 模型的工作。
权衡分析：该研究量化了模型复杂度（超参数数量）与数据效率之间的权衡。它表明，嵌入物理知识减少了达到性能目标所需的数据量，但由于超参数更多，增加了每次迭代的计算成本。
可扩展性洞察：作者确定，虽然简单模型显示出混合结果，但 PIML 的碳节约潜力随着数据集的增大而显著扩展，此时训练数据量的减少主导了复杂度增加带来的成本。

4. 结果

结果表明，PIML 的环境效益高度依赖于数据集大小和物理整合的具体配置。

指标	Toy-box 案例	GARTEUR（原始）	GARTEUR（上采样）
数据减少	Grey-2 比 Black-1 少需75%的数据。	Grey-2 少需57%的数据。	Grey-2 少需75%的数据。
排放量 ( $gCO_2e$ )	Grey-2 减少了 73.7% 的排放（0.124 vs 0.471）。	Grey-2 增加了 31.9% 的排放（0.0984 vs 0.0746）。	Grey-2 减少了 89.7% 的排放（0.209 vs 2.04）。
关键驱动因素	数据减少超过了超参数成本。	小数据集意味着超参数优化成本占主导地位。	大数据集意味着数据减少带来的节约占主导地位。

Toy-box 与上采样 GARTEUR：物理信息模型（尤其是 Grey-2）以显著更少的数据达到了目标精度。由此产生的训练时间减少导致了巨大的碳节约（减少幅度高达约 90%）。
原始 GARTEUR：由于数据集非常小，灰盒模型中优化额外超参数带来的计算开销超过了因数据点减少而节省的时间，导致与黑盒模型相比排放量略有增加。

5. 意义与结论

论文结论指出，物理信息机器学习是工程中“绿色计算”的一种可行策略，但其成功取决于数据集规模。

小数据集：学习额外物理参数的开销可能会抵消减少数据需求带来的好处。
大数据集：GP 训练的立方复杂度（ $O(N^3)$ ）意味着，即使训练数据量（ $N$ ）适度减少，也会导致运行时间和碳排放的指数级降低。在这些场景中，额外超参数的“成本”与数据减少带来的节约相比微不足道。

未来工作：作者计划将此研究扩展到更大规模的模型（例如神经网络和 PINN）以及更复杂的工程问题，以验证随着模型扩展到工业规模，这一趋势是否依然成立。该研究为工程师设计可持续的机器学习模型提供了一个基础框架，通过明确平衡物理洞察与计算负担来实现这一目标。