[论文解读] 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 5

一句话总结

本文提出一种深度学习方法，以在环境变化和随机噪声等物理不确定性条件下，提升基于超声导波的损伤定位性能。通过模拟具有不确定波速并添加高斯噪声的波数据，作者训练深度神经网络（DNN）以学习鲁棒表征，在定位误差方面显著优于在理想数据上训练的模型（0.0321 m vs. 0.0742 m）或传统物理方法在噪声条件下的表现。

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.

研究动机与目标

• 解决由于温度、湿度和气压等环境因素导致的超声导波传播中的不确定性问题。
• 提升在真实世界条件下物理模型因未建模不确定性而失效时的损伤定位鲁棒性。
• 探究深度学习是否能从模拟的不确定波数据中学习到鲁棒表征，从而超越传统物理驱动的定位方法。
• 评估正则化dropout在物理启发式机器学习中建模不确定性的有效性。
• 在包含真实噪声和波速不确定性的测试数据上验证所提出的DNN框架。

提出的方法

• 使用远场兰姆波模型模拟超声导波数据，通过可变波速反映环境不确定性。
• 添加高斯噪声以模拟随机环境噪声，构建更真实的测试分布。
• 训练一个包含三个全连接隐层（300、200、50个神经元）的深度神经网络（DNN），从波数据中预测损伤位置（x, y）。
• 在训练过程中使用预测位置与实际位置之间的欧氏距离作为损失函数。
• 在训练中应用dropout正则化，以提升泛化能力并估计模型不确定性。
• 将Q×M的时间域波数据矩阵进行标准化并展平为1D输入向量，供DNN使用。

实验结果

研究问题

• RQ1 在包含波速不确定性和高斯噪声的模拟波数据上训练的深度学习模型，是否能实现比在理想数据上训练的模型更优的损伤定位鲁棒性？
• RQ2 在噪声和不确定性条件下，使用不确定性训练的DNN性能是否优于传统物理模型？
• RQ3 在物理启发式深度学习中，dropout正则化在多大程度上提升了对不确定性的鲁棒性？
• RQ4 从显式包含不确定性的数据中学习，是否能提升模型在具有相似噪声和变异性的未见测试数据上的泛化能力？

主要发现

• 在含不确定性和25 dB AWGN条件下训练的DNN，其定位误差为0.0321 m，显著低于在理想数据上训练的DNN的0.0742 m误差。
• 在所有信噪比（SNR）水平（5至25 dB）下，含不确定性的DNN均优于物理模型，表现出更强的抗噪和抗不确定性能力。
• 物理模型在噪声条件下性能显著下降，表现出高度波动性和较差的泛化能力。
• 结果表明，dropout正则化在学习鲁棒表征方面有效，且其理论基础支持其与模型不确定性估计的关联。
• 结果证实，当深度学习模型在不确定数据上显式训练时，可有效学习处理波传播中的物理不确定性。