Physics-informed neural network for damage localization using Lamb waves

Lamb waves have been widely utilized for assessing structural damage due to their sensitivity to defects. Despite their ease of excitation and acquisition, significant processing is often necessary to derive single-valued indicators, known as damage indices, from the acquired signals. Traditionally, damage indices have been developed using tomographic algorithms to create damage probability maps, though this approach is subject to limitations. Recently, machine learning has been employed to enhance the accuracy of guided wave frameworks for damage diagnosis. However, many existing methods still involve extracting damage indices from the acquired signals, potentially leading to the loss of diagnostic information and decreased accuracy. Recently, a new approach within the machine learning field has risen in popularity for his flexibility and explainability: physics-informed neural networks. These networks allow embedding some know physical laws in the algorithm to make sure the predictions adhere to the physics of the problem. However, little to no applications can be found in the field of damage diagnosis. In this context, the present work aims to present a physics-informed framework to perform damage diagnosis using Lamb waves avoiding damage indices extraction. Various case studies were considered for evaluating the performance of the proposed framework.

Le Lamb waves sono ampiamente utilizzate per valutare i danni strutturali a causa della loro sensibilità ai difetti. Nonostante la facilità di eccitazione e acquisizione, spesso è necessario elaborare i segnali per ottenere indicatori univoci, noti come indici di danneggiamento. Tradizionalmente, gli indici di danneggiamento sono stati sviluppati utilizzando algoritmi tomografici per creare mappe di probabilità di danneggiamento, anche se questo approccio è soggetto a limitazioni. Recentemente, l’applicazione del machine learning è stata impiegata per migliorare l’accuratezza dei modelli che usano Lamb waves per la diagnosi dei danni. Tuttavia, molti metodi esistenti richiedono ancora l’estrazione degli indici di danneggiamento dai segnali acquisiti, potenzialmente portando a una perdita di informazioni diagnostiche e a una diminuzione dell’accuratezza. Un nuovo approccio appartenente al machine learning è recentemente emerso in popolarità per la sua flessibilità e spiegabilità: questa categoria di modelli è chiamata physics-informed neural networks. Queste reti permettono di incorporare nell’algoritmo alcune leggi fisiche conosciute, per assicurarsi che le previsioni aderiscano alla fisica del problema. Tuttavia, non si trovano molte applicazioni nel campo della diagnosi dei danni. In questo contesto, il presente lavoro si propone di presentare un framework informato dalla fisica per eseguire la diagnosi dei danni utilizzando le Lamb waves evitando l'estrazione degli indici di danneggiamento. Per valutare le prestazioni del framework proposto sono stati presi in considerazione diversi casi studio.