Badania nad identyfikacją uszkodzeń konstrukcji oparte na czasowej sieci przepływu mocy

Dlaczego stan dużych konstrukcji ma znaczenie

Mosty, wieżowce i inne duże konstrukcje cicho służą nam na co dzień, ale przez lata użytkowania, ruchu, wiatru i warunków atmosferycznych stopniowo się zużywają. Inżynierowie próbują wykryć ukryte pęknięcia lub obluzowane połączenia, zanim staną się one katastrofą, jednak tradycyjne inspekcje bywają kosztowne, powolne i czasem pomijają wczesne sygnały ostrzegawcze. W tym badaniu przedstawiono nowy sposób „nasłuchiwania” konstrukcji podczas ich drgań, wykorzystujący sztuczną inteligencję kierowaną przez zasady fizyki, która może ujawnić subtelne uszkodzenia bez potrzeby posiadania oznakowanych przykładów awarii.

Nasłuchiwanie drgań jako wczesne ostrzeżenie

Gdy most lub rama jest poruszana przez wiatr czy ruch drogowy, drga w złożone wzory. Inżynierowie często montują małe czujniki ruchu (akcelerometry) w wielu punktach, aby rejestrować te drgania. Uszkodzenia, takie jak pęknięcia czy korozja, zwykle zmieniają sztywność elementu, co z kolei modyfikuje sposób, w jaki energia drgań przepływa przez konstrukcję. Wiele współczesnych metod używa głębokiego uczenia do przeszukania tych sygnałów i wykrywania anomalii. Jednak większość tych narzędzi traktuje dane jedynie jako liczby do dopasowania, bez uwzględniania leżącej u podstaw fizyki. Mogą działać dobrze na czystych danych laboratoryjnych, ale w rzeczywistych warunkach — z szumem, zmieniającą się temperaturą i czasami wadliwymi czujnikami — te same modele mogą generować fałszywe alarmy lub przeoczyć prawdziwe problemy.

Przekształcenie konstrukcji w sieć przepływu energii

Autorzy proponują inną strategię: przedstawić konstrukcję jako sieć połączonych punktów i jawnie śledzić, jak energia drgań przepływa między nimi w czasie. W swojej Czasowej Sieci Przepływu Mocy (TPF-GNet) każdy czujnik staje się węzłem w grafie, a każde fizyczne połączenie między elementami jest krawędzią z uczącą się sztywnością i tłumieniem. Poprzez numeryczne całkowanie przyspieszeń z czujników metoda odtwarza prędkość i przemieszczenie, a następnie oblicza chwilowy przepływ mocy — ile energii mechanicznej przechodzi z jednego węzła do drugiego w danej chwili. Ten przepływ mocy staje się głównym przesyłanym komunikatem w grafie, więc model uczy się wzorców respektujących prawa ruchu, zamiast jedynie dopasowywać statystyki.

Uczenie sieci, jak wygląda „zdrowie”

TPF-GNet jest trenowany wyłącznie na danych z zdrowej konstrukcji, bez żadnych przykładów uszkodzeń. W tej fazie treningu model uczy się rekonstruować historię drgań każdego docelowego czujnika na podstawie jego sąsiadów poprzez symulowanie przepływu energii w sieci. Po przeszkoleniu system otrzymuje nowe dane drgań z konstrukcji o nieznanym stanie. Jeśli konstrukcja jest nadal zdrowa, model potrafi dość dokładnie przewidzieć ruch każdego czujnika, a błędy rekonstrukcji pozostają małe i wąsko rozłożone. Jeśli doszło do uszkodzenia — szczególnie utraty sztywności w belce lub słupie — rzeczywisty przepływ energii odchyla się od oczekiwanego, a błędy rekonstrukcji stają się większe i bardziej rozproszone. Autorzy podsumowują tę zmianę pojedynczym czynnikiem wrażliwym na uszkodzenia, wyprowadzonym z szerokości i spłaszczenia rozkładu błędów, i ustalają progi używając wyłącznie danych z okresu zdrowia.

Testy na wirtualnych mostach i rzeczywistych ramach

Aby przetestować swoje podejście, badacze najpierw użyli szczegółowego modelu komputerowego rzeczywistego mostu dla pieszych, wprowadzając różne poziomy i lokalizacje redukcji sztywności przy symulacji zaszumionych pomiarów czujników. Porównali też TPF-GNet z standardową grafową siecią neuronową i modelem szeregów czasowych (LSTM), które nie miały wbudowanej fizyki. W trzydziestu scenariuszach — obejmujących m.in. niewielkie utraty sztywności rzędu 5–10% oraz trudne typy zakłóceń, takie jak dryft niskoczęstotliwościowy i zaburzenia niestacjonarne — nowa metoda konsekwentnie identyfikowała uszkodzenia dokładniej, z niższymi wskaźnikami fałszywych alarmów. W wielu przypadkach TPF-GNet utrzymywał ponad 90% trafności wykrywania, podczas gdy modele porównawcze spadały w okolice lub poniżej 70%. Zespół następnie zwalidował metodę na zeskalowanej ramie laboratoryjnej wyposażonej w szesnaście czujników, gdzie mogli wprowadzać kontrolowane uszkodzenia wybranych belek i słupów. Ponownie największe błędy rekonstrukcji i czynniki uszkodzeń grupowały się wokół faktycznie uszkodzonych elementów, a wydajność rosła wraz ze wzrostem nasilenia uszkodzeń.

Co to oznacza dla bezpieczniejszych konstrukcji

Dla osoby niebędącej specjalistą kluczowy wniosek jest taki, że ta metoda łączy zalety fizyki i uczenia maszynowego: nie tylko szuka wzorców w danych, ale także „wie”, jak energia powinna przepływać przez zdrową konstrukcję. Gdy rzeczywistość odbiega od tych oczekiwań, system wskazuje miejsca problemów, nawet w zaszumionych, rzeczywistych warunkach. Ponieważ wymaga tylko danych bazowych z okresu zdrowia, nadaje się do wielu mostów i budynków, dla których posiadamy wieloletnie zapisy monitoringu, ale brak oznakowanych przykładów awarii. Jeśli zostanie powszechnie przyjęta, metoda taka jak TPF-GNet mogłaby pomóc właścicielom infrastruktury szybciej wykrywać uszkodzenia, mądrzej priorytetować prace konserwacyjne i wydłużyć bezpieczny okres eksploatacji kluczowych konstrukcji.

Cytowanie: 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

Słowa kluczowe: monitoring stanu konstrukcji, detekcja uszkodzeń mostów, SZTUCZNA INTELIGENCJA uwzględniająca fizykę, grafowe sieci neuronowe, pomiar drgań