Forskning om identifiering av strukturella skador baserat på tidsberoende kraftflödesgraf-nätverk

Varför stora strukturers hälsa spelar roll

Broar, skyskrapor och andra stora konstruktioner bär tyst våra dagliga behov, men över år av trafik, vind och väder nöts de långsamt ned. Ingenjörer försöker upptäcka dolda sprickor eller lossnade fogar innan de blir till katastrofer, men traditionell inspektion kan vara dyr, långsam och ibland missa tidiga varningstecken. Denna studie presenterar ett nytt sätt att ”lyssna” på strukturer när de vibrerar, med ett fysikväglett artificiellt intelligenssystem som kan avslöja subtila skador utan att behöva märkta exempel på fel.

Att lyssna på vibrationer som tidiga varningar

När en bro eller ram utsätts för vind eller trafik vibrerar den i komplexa mönster. Ingenjörer fäster ofta små rörelsesensorer (accelerometrar) på många punkter för att spela in dessa vibrationer. Skador som sprickbildning eller korrosion ändrar vanligtvis styvheten i en komponent, vilket i sin tur påverkar hur vibrationsenergi rör sig genom konstruktionen. Många moderna metoder använder djupinlärning för att sålla bland dessa signaler och markera avvikelser. Men de flesta av dessa verktyg behandlar datan bara som tal att anpassa, utan att inbyggt ta hänsyn till den underliggande fysiken. De kan fungera bra på rena laboratoriedata, men i verkligheten—with buller, temperaturförändringar och ibland felande sensorer—kan samma modeller ge falska larm eller missa verkliga problem.

Att göra om en struktur till ett nätverk av energiflöde

Författarna föreslår en annan strategi: att representera konstruktionen som ett nätverk av förbundna punkter och uttryckligen följa hur vibrationsenergi flyter mellan dem över tiden. I deras Temporal Power Flow Graph Network (TPF-GNet) blir varje sensor en nod i en graf, och varje fysisk koppling mellan komponenter blir en kant med inlärbar styvhet och dämpning. Genom att numeriskt integrera sensorernas acceleration återhämtar metoden hastighet och förskjutning och beräknar sedan det momentana kraftflödet—hur mycket mekanisk energi som rör sig från en nod till en annan vid varje ögonblick. Detta kraftflöde blir det centrala budskapet som skickas längs grafen, så modellen lär sig mönster som respekterar rörelselagarna istället för att bara anpassa statistik.

Att lära nätverket hur ”friskt” ser ut

TPF-GNet tränas endast på data från en frisk struktur, utan några exempel på skador. I denna träningsfas lär sig modellen att rekonstruera vibrationshistoriken för varje målsensor från dess grannar genom att simulera energiflödet i nätverket. När modellen väl är tränad får systemet nya vibrationsdata från en struktur vars skick är okänt. Om strukturen fortfarande är frisk kan modellen förutsäga varje sensors rörelse ganska noggrant, och rekonstruktionsfelen förblir små och snävt fördelade. Om skada har uppstått—särskilt förlust av styvhet i en balk eller pelare—avviker det verkliga energiflödet nu från vad modellen förväntar sig, och rekonstruktionsfelen blir större och mer utspridda. Författarna sammanfattar denna förändring med en enda skade-känslig faktor härledd från hur bred och flat felrdistributionen blir, och de sätter tröskelvärden med hjälp av enbart friska data.

Testning på virtuella broar och verkliga ramar

För att testa sitt tillvägagångssätt använde forskarna först en detaljerad datormodell av en verklig gångbro och introducerade olika nivåer och platser för styvhetsminskning samtidigt som de simulerade brusiga sensormätningar. De jämförde också TPF-GNet med ett standard grafneuronätverk och en tidsseriemodell (LSTM) som saknade explicit fysik. I trettio scenarier—including små styvhetsförluster på 5–10% och utmanande brustyper som lågfrekvent drift och icke-stationära störningar—identifierade den nya metoden konsekvent skador mer exakt, med lägre falsklarmfrekvenser. I många fall bibehöll TPF-GNet över 90% detektionsnoggrannhet där jämförelsemodellerna sjönk till nära eller under 70%. Teamet validerade sedan metoden på en skalad laboratorieram utrustad med sexton sensorer där de kunde introducera kontrollerade skador i utvalda balkar och pelare. Återigen klustrade de största rekonstruktionsfelen och skadefaktorerna kring de verkligt skadade komponenterna, och prestandan förbättrades stadigt i takt med att skadegraden ökade.

Vad detta betyder för säkrare konstruktioner

För icke-specialisten är huvudbudskapet att denna metod förenar fysikens och maskininlärningens styrkor: den letar inte bara efter mönster i data, den ”vet” också hur energi bör flyta genom en frisk struktur. När verkligheten avviker från denna förväntning flaggar systemet problemområden, även under bullriga, verkliga förhållanden. Eftersom metoden kräver enbart friska baslinjedata är den väl lämpad för de många broar och byggnader där vi har årsvis övervakningshistorik men inga märkta exempel på fel. Om sådana metoder antas i stor skala kan de hjälpa infrastrukturägare att upptäcka skador tidigare, prioritera underhåll mer intelligent och förlänga den säkra servicetiden för kritiska konstruktioner.

Citering: 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

Nyckelord: övervakning av strukturell hälsa, bro-skadedetektering, fysikinformerad AI, grafneuronätverk, vibrationsavkänning