Graph Neural Network-based surrogate model for wave propagation analysis

Structural Health Monitoring (SHM) is essential for maintaining the safety and longevity of critical structures through early damage detection. Traditional active SHM methods, which utilize diagnostic signals, often struggle to analyze the dispersive and multimodal nature of guided waves, complicating defect identification. In response, machine learning (ML) has emerged as a promising alternative, capable of discerning complex, multivariate features from SHM data that defy analytical modeling. Recent advances in deep learning—particularly Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs)—have shown significant potential in automatically extracting high-level features from raw sensor data. CNNs, for instance, are adept at capturing spatial hierarchies in vibration and ultrasonic signals, thereby enhancing the precision of damage detection and localization. However, the application of these data-driven approaches in SHM is hindered by the scarcity of large, representative datasets. Unlike other fields (e.g. computer vision), where abundant labeled examples are readily available, SHM data must be acquired through costly experimental campaigns or computationally intensive high-fidelity simulations, such as finite element models. To overcome these limitations, this thesis introduces a state-of-the-art surrogate model based on Graph Neural Networks (GNNs). By representing structures as graphs of discrete points and leveraging a message-passing architecture, the proposed surrogate model effectively simulates elastic wave propagation in beam structures. This approach not only captures the dynamic behavior of guided waves with high fidelity but also significantly reduces computational costs, offering a viable path forward for efficient, data-driven SHM applications.

La Structural Health Monitoring (SHM) è una tecnica fondamentale per garantire la sicurezza e la durabilità di strutture critiche grazie alla possibilità di individuare precocemente eventuali danni. I metodi tradizionali di SHM attivi, basati su segnali diagnostici, si trovano spesso in difficoltà nell'analisi della natura dispersiva e multimodale delle onde guidate, rendendo complicata l'identificazione dei difetti. In questo contesto, il Machine Learning (ML) si è affermato come un'alternativa promettente, in grado di estrarre e riconoscere caratteristiche complesse dai dati che non possono essere modellate analiticamente. Gli sviluppi recenti nel deep learning, in particolare l'uso di Convolutional Neural Networks (CNNs) e Recurrent Neural Networks (RNNs), hanno evidenziato un notevole potenziale nell'estrazione automatica di informazioni direttamente dai dati grezzi dei sensori. Le CNNs, ad esempio, sono particolarmente efficaci nell'identificare gerarchie spaziali nei segnali, migliorando così la precisione nel rilevamento e nella localizzazione dei danni. Tuttavia, l'applicazione di questi approcci data-driven nella SHM è ostacolata dalla carenza di dataset ampi e rappresentativi: a differenza di settori come la computer vision, dove sono disponibili numerosi esempi etichettati, i dati per la SHM devono essere ottenuti tramite campagne sperimentali costose o simulazioni ad alta fedeltà, come quelle basate su modelli agli elementi finiti. Per superare queste limitazioni, questa tesi propone un modello surrogato all'avanguardia basato su Graph Neural Networks (GNNs). Rappresentando le strutture come grafi costituiti da punti discreti e sfruttando una message-passing neural network, il modello surrogato consente di simulare in modo efficace la propagazione delle onde elastiche in strutture a trave. Questo approccio non solo riproduce con elevata fedeltà il comportamento dinamico delle onde guidate, ma permette anche di ridurre notevolmente i costi computazionali, offrendo così una soluzione praticabile per applicazioni SHM efficienti e data-driven.