מחקר לזיהוי נזקים מבניים המבוסס על רשת גרף זרימת אנרגיה זמנית

מדוע בריאותם של מבנים גדולים חשובה

גשרים, גורדי שחקים ומבנים גדולים אחרים נושאים את חיינו השוטפים בשקט, אך במשך שנים של תנועה, רוח ומזג אוויר הם נשחקים לאט. מהנדסים מנסים לאתר סדקים נסתרים או מפרקים רופפים לפני שיהפכו לאסונות, אך בדיקות מסורתיות יכולות להיות יקרות, איטיות ולפעמים לפספס סימני אזהרה מוקדמים. המחקר הזה מציג דרך חדשה "להאזין" למבנים בזמן שהם רוטטים, באמצעות מערכת בינה מלאכותית מונחית פיזיקה שיכולה לחשוף נזקים עדינים מבלי צורך בדוגמאות מסומנות של כישלון.

האזנה לרעידות כאיתותי אזהרה מוקדמים

כאשר גשר או שלד נרעש על ידי רוח או תנועה, הוא רוטט בתבניות מורכבות. מהנדסים לעתים מצמידים חיישני תנועה קטנים (מדדי תאוצה) בנקודות רבות כדי להקליט את הרעידות הללו. נזק כגון סדיקה או קורוזיה בדרך כלל משנה את קשיחות הרכיב, מה שמשפיע על האופן שבו אנרגיית הרטט זורמת דרך המבנה. שיטות רבות בשנים האחרונות משתמשות בלמידה עמוקה כדי לנתח אותות אלה ולסמן אנומליות. עם זאת, רוב הכלים הללו מתייחסים לנתונים כאל מספרים בלבד שיש להתאים להם, בלי לשלב את עקרונות הפיזיקה הבסיסיים. הם עשויים לתפקד היטב על נתוני מעבדה נקיים, אך בעולם האמיתי — עם רעש, טמפרטורות משתנות ולעתים חיישנים פגומים — אותם מודלים עלולים להוציא אזעקות שווא או לפספס בעיות אמיתיות.

הפיכת מבנה לרשת של זרימת אנרגיה

המחברים מציעים אסטרטגיה שונה: לייצג את המבנה כרשת של נקודות מקושרות ולעקוב במפורש אחרי אופן זרימת אנרגיית הרטט ביניהן לאורך זמן. ברשת גרף זרימת האנרגיה הזמנית שלהם (TPF-GNet), כל חיישן הופך לצומת בגרף, וכל קישור פיזי בין רכיבים הופך לקשת עם פרמטרים של קשיחות ודעיכה הניתנים ללמידה. באמצעות אינטגרציה נומרית של תאוצות החיישנים, השיטה משחזרת מהירות והיסטתות ואז מחשבת את זרם ההספק האינסטנטאני — כמה אנרגיה מכנית זזה מנקודה לנקודה בכל רגע. זרימת האנרגיה הזו הופכת למסֶר הליבה שמועבר לאורך הגרף, כך שהמודל לומד דפוסים שמכבדים את חוקי התנועה במקום רק להתאים סטטיסטיקה.

להדריך את הרשת איך "נראה" מצב בריא

TPF-GNet מאומן רק על נתונים ממבנה בריא, ללא דוגמאות נזק. בשלב האימון המודל לומד לשחזר את היסטוריית הרטט של כל חיישן מיעד מתוך חיישני השכנים על ידי סימולציה של זרימת האנרגיה ברשת. לאחר האימון, המערכת מקבלת נתוני רטט חדשים ממבנה שמצבו לא ידוע. אם המבנה עדיין בריא, המודל יכול לחזות את תנועת כל חיישן בדיוק רב, ושגיאות השחזור נשארות קטנות ומפוזרות בצורה צרה. אם אירע נזק — במיוחד אובדן קשיחות בקורה או בעמוד — זרימת האנרגיה האמיתית חורגת מהצפוי על ידי המודל, ושגיאות השחזור גדלות ומתפשטות יותר. המחברים מסכמים שינוי זה באמצעות גורם רגיש לנזק אחד הנגזר מרוחב ושטיחות התפלגות השגיאות, והם קובעים ספים תוך שימוש רק בנתונים בריאים.

בדיקה על גשרים ופריימים מדומים ומוטבעים

כדי לבחון את הגישה שלהם, החוקרים השתמשו תחילה במודל מחשב מפורט של גשר הולכי רגל אמיתי, כשהם מציגים רמות ומיקומים שונים של הפחתת קשיחות תוך הדמיית מדידות חיישנים רועשות. הם גם השוו את TPF-GNet מול רשת עצבית גרפית סטנדרטית ומול מודל סדרות‑זמן (LSTM) שסטה מהפיזיקה המפורשת. ב‑30 תרחישים — כולל אובדני קשיחות קטנים של 5–10% וסוגי רעש מאתגרים כמו סחף בתדר נמוך והפרעות לא‑סטציונריות — השיטה החדשה זיהתה נזק בצורה מדויקת יותר ועקבית, עם שיעורי אזעקות שווא נמוכים יותר. במקרים רבים TPF-GNet שמרה על דיוק זיהוי מעל 90% בעוד שמודלים להשוואה ירדו קרוב או מתחת ל‑70%. הצוות ואז וידא את השיטה על מבנה מעבדה מוקטן המצויד בשישה‑עשר חיישנים, שם יכלו להציג נזק מבוקר לקורות ועמודים נבחרים. שוב, שגיאות השחזור הגדולות ביותר וגורמי הנזק התקבצו סביב הרכיבים שניזוקו בפועל, והביצועים השתפרו בהתמדה ככל שעוצמת הנזק גדלה.

מה המשמעות עבור מבנים בטוחים יותר

עבור קורא שאינו מומחה, הממצא המרכזי הוא ששיטה זו מאחדת את היתרונות של פיזיקה ולמידת מכונה: היא לא רק מחפשת דפוסים בנתונים, אלא גם "יודעת" כיצד אנרגיה אמורה לזרום דרך מבנה בריא. כאשר המציאות חורגת מהציפיה הזו, המערכת מסמנת נקודות בעייתיות, אפילו בתנאים רועשים ובמציאות השדה. מאחר שהיא דורשת רק נתוני בסיס בריאים, היא מתאימה היטב לגשרים ובניינים רבים שבהם יש לנו שנות רישום אבל אין דוגמאות מסומנות של כשל. אם יאומץ באופן נרחב, גישות כמו TPF-GNet יכולות לעזור לבעלי תשתיות לגלות נזקים מוקדם יותר, לתעדף תחזוקה בצורה חכמה יותר ולהאריך את חיי השירות הבטוחים של מבנים קריטיים.

ציטוט: Wu, X., Lan, C., Zhang, C. et al. Research on structural damage identification based on temporal power flow graph network. Sci Rep 16, 6898 (2026). https://doi.org/10.1038/s41598-026-37356-7

מילות מפתח: ניטור בריאות מבנים, גילוי נזקים בגשרים, בינה מלאכותית מושכלת בפיזיקה, רשתות עצביות גרפיות, חישה רטטית