[논문 리뷰] Accounting for Physics Uncertainty in Ultrasonic Wave Propagation using Deep Learning

Ishan D. Khurjekar, Joel B. Harley|arXiv (Cornell University)|2019. 11. 07.

Ultrasonics and Acoustic Wave Propagation참고 문헌 11인용 수 5

한 줄 요약

이 논문은 환경 변화 및 랜덤 노이즈와 같은 물리적 불확실성으로 인한 초음파 유도파 기반 손상 국소화의 정확도를 향상시키기 위한 딥 러닝 접근법을 제안한다. 불확실한 속도와 가우시안 노이즈를 포함한 파동 데이터를 시뮬레이션하여 저자들은 강건한 표현을 학습하는 딥 네ural 네트워크(DNN)를 훈련시켰으며, 이상적인 데이터로 훈련된 모델(0.0742 m)이나 전통적인 물리 기반 방법보다 훨씬 낮은 국소화 오차(0.0321 m)를 달성하였다.

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.

연구 동기 및 목표

• 온도, 습도, 기압과 같은 환경 요인으로 인한 초음파 유도파 전파의 불확실성 문제를 해결하기 위해.
• 모델링되지 않은 불확실성으로 인해 물리 모델이 실패하는 실제 환경 조건에서 손상 국소화의 강건성을 향상시키기 위해.
• 딥 러닝이 시뮬레이션된 불확실한 파동 데이터로부터 강건한 표현을 학습할 수 있는지, 기존의 전통적인 물리 기반 국소화 방법보다 우수한 성능을 보일 수 있는지 조사하기 위해.
• 드롭아웃 정규화가 물리 기반 기계 학습에서 불확실성 모델링 도구로 효과적인지 평가하기 위해.
• 실제 노이즈와 속도 불확실성이 존재하는 테스트 데이터에서 제안된 DNN 프레임워크의 유효성을 검증하기 위해.

제안 방법

• 환경 불확실성을 반영하기 위해 변동하는 파동 속도를 가진 원거리장 람브 파 모델을 사용하여 초음파 유도파 데이터를 시뮬레이션한다.
• 랜덤 환경 노이즈를 시뮬레이션하기 위해 가우시안 노이즈를 추가하여 현실적인 테스트 분포를 생성한다.
• 파동 데이터에서 손상 위치(x, y)를 예측하기 위해 세 개의 완전 연결 히든 레이어(300, 200, 50 노드)를 가진 딥 네ural 네트워크(DNN)를 훈련한다.
• 훈련 중에 예측된 손상 위치와 실제 손상 위치 사이의 유클리드 거리를 손실 함수로 사용한다.
• 일반화 성능 향상과 모델 불확실성 추정을 위해 훈련 중 드롭아웃 정규화를 적용한다.
• DNN의 입력 벡터로 사용하기 위해 Q×M 시간 영역 파동 데이터 행렬을 표준화하고 평탄화한다.

실험 결과

연구 질문

• RQ1 속도 불확실성과 가우시안 노이즈를 포함한 시뮬레이션된 파동 데이터로 훈련된 딥 러닝 모델이 이상적인 데이터로 훈련된 모델보다 더 높은 손상 국소화 강건성을 달성할 수 있는가?
• RQ2 노이즈 및 불확실성이 존재하는 조건에서, 불확실성으로 훈련된 DNN의 성능은 기존의 전통적인 물리 기반 모델과 비교해 어떻게 되는가?
• RQ3 드롭아웃 정규화가 초음파 파동 전파에 대한 물리 기반 딥 러닝에서 불확실성에 대한 강건성을 얼마나 향상시키는가?
• RQ4 명시적인 불확실성을 가진 데이터에서 학습하면, 유사한 노이즈와 변동성이 존재하는 새로운 테스트 데이터에 대한 일반화 성능이 향상되는가?

주요 결과

• 불확실성과 25 dB AWGN를 고려해 훈련한 DNN는 이상적인 데이터로 훈련된 DNN의 0.0742 m보다 훨씬 낮은 국소화 오차 0.0321 m를 기록하였다.
• 불확실성으로 훈련된 DNN는 5에서 25 dB의 모든 SNR 수준에서 물리 기반 모델을 초월하여 노이즈와 불확실성에 대한 뛰어난 강건성을 보였다.
• 물리 기반 모델의 성능은 노이즈 조건에서 심각하게 떨어졌으며, 높은 변동성과 열악한 일반화 성능을 보였다.
• 드롭아웃 정규화가 강건한 표현을 학습하는 데 효과적이며, 이는 이론적으로 모델 불확실성 추정과 연결됨을 입증하였다.
• 결과적으로, 명시적으로 불확실한 데이터로 훈련된 딥 러닝 모델이 물리적 불확실성을 효과적으로 다룰 수 있음을 확인하였다.