時間的パワーフローグラフネットワークに基づく構造損傷同定の研究

大きな構造物の健全性が重要な理由

橋梁や高層ビルなどの大規模な構造物は私たちの生活を静かに支えていますが、交通や風雨にさらされるうちに年々劣化します。エンジニアは重大事故になる前に亀裂や緩んだ接合部を見つけようとしますが、従来の点検は費用や時間がかかり、初期の異常を見落とすこともあります。本研究は、ラベル付けされた故障例を必要とせずに微妙な損傷を明らかにできる、物理に導かれた人工知能システムを用いて構造物の「振動を聞く」新しい方法を提案します。

早期警報としての振動の聞き取り

橋やフレームが風や通行で揺らされると、複雑な振動モードを示します。エンジニアはしばしば多くの点に小型の運動センサー（加速度計）を取り付けてこれらの振動を記録します。亀裂や腐食などの損傷は通常、部材の剛性を変化させ、その結果として振動エネルギーの伝わり方が変わります。近年の多くの手法はディープラーニングを用いて信号を解析し異常を検出しますが、これらの多くはデータを単なる数値として扱い、基礎となる物理法則を組み込んでいません。そのため、実験室のきれいなデータでは良好に動作しても、現場ではノイズや温度変化、時に故障したセンサーが混在するため、誤検知や見逃しが生じることがあります。

構造をエネルギー流のネットワークに変換する

著者らは別の戦略を提案します：構造を接続された点のネットワークとして表現し、振動エネルギーがそれらの間で時間的にどのように流れるかを明示的に追跡するのです。彼らの時間的パワーフローグラフネットワーク（TPF-GNet）では、各センサーがグラフのノードになり、部材間の物理的結合が学習可能な剛性と減衰を持つエッジになります。センサーの加速度を数値的に積分することで速度や変位を復元し、瞬時のパワーフロー—ある時点で一つのノードから別のノードへどれだけの機械エネルギーが移動しているか—を計算します。このパワーフローがグラフ上で伝達される主要なメッセージとなり、モデルは単に統計を当てはめるのではなく運動の法則を尊重するパターンを学習します。

「健全な状態」をネットワークに教える

TPF-GNetは損傷例を一切使わず、健全な構造のデータだけで学習されます。学習段階では、モデルはネットワークを介したエネルギーの流れをシミュレートすることで、隣接ノードから各ターゲットセンサーの振動履歴を再構成する方法を学びます。学習後、新しい振動データが未知の状態の構造に入力されます。構造が依然として健全であれば、モデルは各センサーの動きを高精度で予測でき、再構成誤差は小さく狭い分布に収まります。もし損傷、特に梁や柱の剛性低下が起きていれば、実際のエネルギー流はモデルの期待からずれ、再構成誤差は大きくかつ広がります。著者らは誤差分布が広く平坦になる度合いから単一の損傷感受性因子を算出し、閾値は健全データのみで設定します。

仮想橋梁と実験フレームでの検証

手法の検証のため、研究者らはまず実際の歩行者橋の詳細な数値モデルを用い、異なるレベルや位置での剛性低下を導入しつつ騒音のあるセンサー測定をシミュレーションしました。また、TPF-GNetを物理を明示しない標準的なグラフニューラルネットワークや時系列モデル（LSTM）と比較しました。5～10％程度の小さな剛性低下や低周波ドリフトや非定常擾乱といった難しいノイズを含む30のシナリオ全体で、新手法は一貫して損傷をより正確に識別し、誤報率が低くなりました。多くの場合、TPF-GNetは比較モデルが70％前後まで落ちるところで90％以上の検出精度を維持しました。次に、16個のセンサーを備えた縮尺実験フレームでも手法を検証し、選択した梁や柱に制御された損傷を導入しました。ここでも最大の再構成誤差と損傷因子は実際に損傷した部材付近に集中し、損傷度合いが増すにつれて性能は着実に向上しました。

より安全な構造物のために意味すること

専門外の読者にとっての要点は、この手法が物理と機械学習の長所を融合していることです：単にデータのパターンを探すだけでなく、健全な構造でエネルギーがどのように流れるべきかを「知っている」点が重要です。実際がその期待から外れたとき、システムは実世界のノイズ下でも問題箇所を検出します。基準となるのは健全データのみでよいため、故障例のラベルがないまま長年の計測記録がある多くの橋や建物に適しています。TPF-GNetのような手法が広く採用されれば、インフラ所有者は損傷をより早く発見し、保守の優先順位をより賢明に決め、重要構造物の安全な使用期間を延ばすのに役立つ可能性があります。

引用: 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

キーワード: 構造健全性監視, 橋梁損傷検出, 物理情報を組み込んだAI, グラフニューラルネットワーク, 振動センシング