Исследование идентификации структурных повреждений на основе сети временного графа потока энергии

Почему важно состояние крупных сооружений

Мосты, высотные здания и другие крупные конструкции незаметно обеспечивают нашу повседневную жизнь, но под воздействием десятилетий трафика, ветра и погоды они постепенно изнашиваются. Инженеры стремятся обнаружить скрытые трещины или ослабленные соединения до того, как они превратятся в катастрофу, однако традиционные инспекции могут быть дорогими, медленными и иногда упускать ранние признаки неисправности. В этом исследовании предложен новый способ «слушать» конструкции во время их вибрации с помощью физически направленной системы искусственного интеллекта, которая способна выявлять тонкие повреждения без использования размеченных примеров отказов.

Прослушивание вибраций как раннее предупреждение

Когда мост или каркас подвергается воздействию ветра или транспорта, он вибрирует в сложных режимах. Инженеры часто устанавливают небольшие датчики движения (акселерометры) в множестве точек, чтобы записывать эти колебания. Повреждения, такие как трещины или коррозия, обычно меняют жесткость элемента, а это, в свою очередь, изменяет, как энергия вибрации перемещается по конструкции. Многие современные методы используют глубокое обучение для обработки этих сигналов и обнаружения аномалий. Однако большинство таких инструментов трактуют данные как просто набор чисел для аппроксимации, не учитывая лежащую в основе физику. Они могут хорошо работать на чистых лабораторных данных, но в реальном мире — с шумом, изменением температуры и периодическими отказами датчиков — те же модели могут давать ложные срабатывания или пропускать реальные проблемы.

Преобразование конструкции в сеть потока энергии

Авторы предлагают иную стратегию: представить конструкцию как сеть соединённых точек и явно отслеживать, как вибрационная энергия течёт между ними во времени. В их Temporal Power Flow Graph Network (TPF-GNet) каждый датчик становится узлом графа, а каждое физическое соединение между элементами — ребром с обучаемыми параметрами жесткости и демпфирования. Численно интегрируя ускорения датчиков, метод восстанавливает скорости и перемещения, после чего вычисляет мгновенный поток мощности — сколько механической энергии перемещается от одного узла к другому в каждый момент времени. Этот поток мощности становится основным сообщением, передаваемым по графу, так что модель учится закономерностям, которые учитывают законы движения, а не просто подгоняют статистику.

Обучение сети представлению «здоровой» структуры

TPF-GNet обучается только на данных от здоровой структуры, без примеров повреждений. На этапе обучения модель учится восстанавливать историю вибраций каждого целевого датчика по сигналам соседей, симулируя поток энергии по сети. После обучения система получает новые данные вибраций от конструкции с неизвестным состоянием. Если конструкция по-прежнему здорова, модель способна довольно точно прогнозировать движение каждого датчика, и ошибки реконструкции остаются малыми и узко распределёнными. Если же произошло повреждение — особенно потеря жесткости в балке или колонне — действительный поток энергии теперь отклоняется от ожидаемого моделью, и ошибки реконструкции становятся больше и более разбросанными. Авторы сводят это изменение к одному фактору, чувствительному к повреждению, который выводится из того, насколько широким и плоским становится распределение ошибок, и устанавливают пороги, используя только данные здоровой структуры.

Тестирование на виртуальных мостах и реальных каркасах

Чтобы проверить подход, исследователи сначала использовали подробную компьютерную модель реального пешеходного моста, вводя разные уровни и местоположения уменьшения жесткости при моделировании зашумлённых измерений датчиков. Они также сравнили TPF-GNet со стандартной графовой нейронной сетью и моделью временных рядов (LSTM), не учитывающей явной физики. В тридцати сценариях — включая небольшие потери жесткости 5–10% и сложные типы шума, такие как низкочастотное дрейфовое смещение и нестационарные возмущения — новый метод последовательно выявлял повреждения с большей точностью и с более низким уровнем ложных срабатываний. В многих случаях TPF-GNet сохранял более 90% точности обнаружения там, где модели-сравнения падали до приблизительно 70% или ниже. Команда затем верифицировала метод на масштабной лабораторной раме с шестнадцатью датчиками, где можно было вводить контролируемые повреждения в выбранные балки и колонны. И снова наибольшие ошибки реконструкции и факторы повреждения концентрировались вокруг действительно повреждённых компонентов, а производительность постепенно улучшалась с ростом серьёзности повреждения.

Что это значит для более безопасных сооружений

Для неспециалиста основной вывод в том, что этот метод сочетает сильные стороны физики и машинного обучения: он не просто ищет шаблоны в данных, но и «знает», как энергия должна течь через здоровую структуру. Когда реальность расходится с этим ожиданием, система указывает на проблемные участки, даже в шумных реальных условиях. Поскольку метод требует только исходных данных о здоровом состоянии, он хорошо подходит для множества мостов и зданий, где имеются годы мониторинга, но нет размеченных примеров отказов. При широком внедрении подходы вроде TPF-GNet могли бы помочь владельцам инфраструктуры обнаруживать повреждения раньше, более грамотно приоритизировать обслуживание и продлевать безопасный срок службы ключевых сооружений.

Цитирование: 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

Ключевые слова: мониторинг состояния конструкции, обнаружение повреждений мостов, физически-информированный ИИ, графовые нейронные сети, сенсорика вибраций