[論文レビュー] Accounting for Physics Uncertainty in Ultrasonic Wave Propagation using Deep Learning

Ishan D. Khurjekar, Joel B. Harley|arXiv (Cornell University)|Nov 7, 2019

Ultrasonics and Acoustic Wave Propagation参考文献 11被引用数 5

ひとこと要約

本稿では、環境変動やランダムノイズなどの物理的不確実性がある状況下で、超音波ガイド波を用いた損傷局所化を向上させるためのディープラーニング手法を提案する。波の速度に不確実性をもたせてデータをシミュレートし、ガウスノイズを追加することで、頑健な表現を学習できるディープニューラルネットワーク（DNN）を訓練した。その結果、理想状態のデータで訓練したモデル（0.0742 m）や、ノイズ下での従来の物理ベースの手法と比較して、著しく低い局所化誤差（0.0321 m）を達成した。

ABSTRACT

Ultrasonic guided waves are commonly used to localize structural damage in infrastructures such as buildings, airplanes, bridges. Damage localization can be viewed as an inverse problem. Physical model based techniques are popular for guided wave based damage localization. The performance of these techniques depend on the degree of faithfulness with which the physical model describes wave propagation. External factors such as environmental variations and random noise are a source of uncertainty in wave propagation. The physical modeling of uncertainty in an inverse problem is still a challenging problem. In this work, we propose a deep learning based model for robust damage localization in presence of uncertainty. Wave data with uncertainty is simulated to reflect variations due to external factors and Gaussian noise is added to reflect random noise in the environment. After evaluating the localization error on test data with uncertainty, we observe that the deep learning model trained with uncertainty can learn robust representations. The approach shows potential for dealing with uncertainty in physical science problems using deep learning models.

研究の動機と目的

• 温度、湿度、気圧などの環境要因による超音波ガイド波伝搬における不確実性の影響を解消すること。
• 物理モデルが未考慮の不確実性により失敗する現実世界の状況において、損傷局所化の頑健性を向上させること。
• ディープラーニングが、不確実な波データから頑健な表現を学習できるか、従来の物理ベースの局所化手法を上回るかを検証すること。
• ドロップアウト正則化が、物理的インスピレーションを持つ機械学習における不確実性のモデル化に有効であるかを検証すること。
• 実際のノイズと速度の不確実性を含むテストデータ上で、提案されたDNNフレームワークの有効性を検証すること。

提案手法

• 環境的不確実性を反映させるために、可変な波速度をもつ遠方場ラム波モデルを用いて超音波ガイド波データをシミュレートする。
• ランダムな環境ノイズを模倣するためにガウスノイズを追加し、現実的で信頼性のあるテスト分布を生成する。
• 波データから損傷位置（x, y）を予測するため、3層の全結合隠れ層（300, 200, 50ノード）を備えたディープニューラルネットワーク（DNN）を訓練する。
• 訓練中は、予測された損傷位置と実際の損傷位置との間のユークリッド距離を損失関数として用いる。
• 一般化性能の向上とモデルの不確実性推定のため、訓練中にドロップアウト正則化を適用する。
• Q×Mの時間領域波データ行列を標準化・平坦化し、DNNの1次元入力ベクトルに変換する。

実験結果

リサーチクエスチョン

• RQ1 速度の不確実性とガウスノイズを含むシミュレート波データで訓練されたディープラーニングモデルは、理想状態のデータで訓練されたモデルよりも、損傷局所化の頑健性が向上するか？
• RQ2 ノイズや不確実性がある状況下で、不確実性を考慮して訓練されたDNNの性能は、従来の物理ベースのモデルと比較してどうなるか？
• RQ3 ドロップアウト正則化は、超音波波動伝搬における物理的インスパイアドディープラーニングにおいて、不確 Promise への頑健性をどの程度向上させるか？
• RQ4 明示的に不確実性を含むデータから学習することで、同様のノイズとばらつきを示す未知のテストデータへの一般化性能が向上するか？

主な発見

• 不確実性と25 dBのAWGNを含むデータで訓練したDNNは、局所化誤差0.0321 mを達成したのに対し、理想状態のデータで訓練したDNNは0.0742 mの誤差を示した。
• 不確実性を考慮して訓練したDNNは、SNR 5〜25 dBの全範囲で物理ベースのモデルを上回り、ノイズや不確実性に対する優れた頑健性を示した。
• 物理ベースのモデルはノイズ状態で著しく性能が低下し、高いばらつきと一般化性能の欠如を示した。
• ドロップアウト正則化が、頑健な表現の学習に有効であることが実証され、理論的裏付けも得られた。
• 結果から、不確実なデータに明示的に訓練されたディープラーニングモデルは、物理的不確実性を効果的に扱えることが確認された。