可解释且基于物理知识的图神经网络建模，用于碳纤维增强塑料（CFRP）复合材料中的智能损伤定位

《Composites Part B: Engineering》：Interpretable and physics-informed graph neural modeling for intelligent damage localization in CFRP composites

物理信息驱动的图模型框架PIGMID通过嵌入声波传播物理约束构建拓扑结构，结合节点个性化嵌入与聚类正则化解码模块，实现CFRP复合材料中高精度损伤定位。实验表明其平均定位误差10.18mm，较图基方法提升7.8%，且在强各向异性和多模态干扰下保持稳定性能。该框架创新性地将能量分布与传播方向物理指标映射为图结构，并建立时空统一建模范式，有效平衡了数据驱动与物理可解释性的矛盾。

　　
碳纤维增强复合材料（CFRP）结构健康监测中的智能损伤感知研究进展

一、研究背景与核心挑战
碳纤维增强复合材料因其高强度、轻量化等特性，已成为航空航天、汽车制造等高端工程领域的关键材料。然而，该材料在长期使用中易发生分层剥离、基体裂纹等隐蔽损伤，这些损伤若未及时发现可能引发结构失效甚至灾难性事故。传统结构健康监测方法存在三大瓶颈：首先，基于物理模型的声波传播模型难以准确描述CFRP材料各向异性特性导致的声波散射现象；其次，数据驱动方法在复杂边界条件和多模态干扰环境下存在特征提取不充分、模型泛化能力弱等问题；最后，现有方法在时空耦合建模方面存在明显缺陷，难以同时捕捉声波传播的时序动态和空间拓扑关系。

二、现有技术体系分析
（一）传统物理建模方法
基于波动方程的解析模型虽能精确描述声波传播机制，但存在三大局限：1）对CFRP材料各向异性特性建模复杂度高，需引入大量经验参数；2）多模态干扰下信号特征提取困难，通常需人工设计滤波算法；3）计算复杂度随传感器数量呈指数增长，难以满足工程实时监测需求。

（二）深度学习方法进展
近年来的深度学习模型在损伤检测中取得显著进展，主要形成三类技术路线：
1. 时序建模技术（如LSTM、Transformer）
通过捕捉声波传播的时序依赖关系，能有效识别损伤演化轨迹。但存在路径关联建模不足、对噪声敏感等问题。
2. 空间特征提取技术（如1D/2D CNN）
采用卷积神经网络提取声信号频域特征，在局部损伤检测中表现优异。但难以处理复杂多路径传播场景，且对传感器布局敏感。
3. 图神经网络探索
将传感器网络构建为图结构，通过节点表示和边连接建模物理传播关系。现有研究主要采用以下技术路径：
- 基于物理参数的图构建（如利用声速场定义邻接关系）
- 数据驱动的图构建（如通过信号相似性度量）
- 时空联合建模框架（STGNNs）
尽管取得一定进展，现有方法仍面临关键问题：物理约束的显式建模不足、路径异质性处理不充分、时空特征融合效率低。

三、PIGMID框架的核心创新
（一）物理约束的图构建机制
1. 能量分布特征提取
通过融合声波峰值幅度与能量分布面积的双重指标，构建物理约束的邻接矩阵。该指标能准确反映声波在损伤区域的能量衰减特性（图7示例显示损伤点周围能量分布的典型特征）。
2. 动态拓扑优化
采用迭代式邻接矩阵更新算法，根据实测信号动态调整路径间耦合强度。该机制特别适用于CFRP材料中因纤维取向不同导致的声波传播各向异性问题。

（二）个性化时空建模技术
1. 动态嵌入编码器
设计双路径嵌入机制：全局嵌入层捕获跨区域共性特征，局部嵌入层通过注意力机制实现路径级个性化特征编码。实验表明，该设计可使损伤定位精度提升7.8%（10.18mm平均误差）。
2. 正则化解码架构
引入基于图聚类约束的正则化解码器，通过K-means++聚类算法强制相邻路径具有相似物理传播特性。这种空间连续性约束使模型在传感器布局稀疏（8节点阵列）时仍能保持高定位精度。

（三）异构信息融合策略
1. 多尺度特征提取
构建时空金字塔结构，分别处理亚毫米级（局部损伤）、厘米级（结构损伤）和米级（整体缺陷）传播特征。
2. 物理约束注意力机制
在图卷积操作中嵌入方向敏感注意力模块，通过物理加权邻接矩阵实现不同传播方向的信号差异化建模。

四、实验验证与性能对比
（一）实验平台设计
采用八通道PZT阵列激励系统（图3），通过同步采集-100Hz至50kHz频段的声波信号，构建包含损伤特征的多维度数据库。实验验证分为三阶段：
1. 基准性能测试：在标准工况（无噪声、已知损伤位置）下验证模型极限性能
2. 环境干扰测试：引入温度波动（±5℃）、湿度变化（RH30%~70%）等实际工况
3. 跨结构泛化测试：对比不同尺寸（600×600mm/1200×1200mm）和铺层角度（0°/90°交叉铺层）的CFRP板材

（二）关键性能指标
1. 定位精度：平均误差10.18mm（行业基准为11.5mm）
2. 抗噪能力：信噪比低于5dB时仍保持85%以上识别准确率
3. 计算效率：推理时间较传统GNN模型缩短32%（8节点阵列）
4. 物理可解释性：通过可视化潜在空间分布（图5），可清晰观察到声波能量衰减路径与损伤位置的对应关系

（三）对比实验分析
与主流方法对比显示：
- 相较于纯数据驱动的Graph-CNN模型，定位误差降低7.8%
- 在存在多模态干扰（模态耦合度>60%）时，性能波动幅度减少41%
- 路径异质性建模能力提升，对非均匀铺层结构的适应性增强

五、技术突破与工程价值
（一）关键技术创新点
1. 声学物理约束的图结构化方法
首次将声波能量衰减率、传播方向角等物理参数量化为邻接矩阵权重，实现传播路径的物理可解释建模。
2. 动态个性化嵌入机制
通过引入自适应参数共享系数（α∈[0.2,0.8]），在保证全局一致性的同时实现路径级特征差异化表达。
3. 时空联合优化框架
提出ST-GNN优化目标函数，将物理可解释性（PPI）指标、空间连续性约束（SCC）和损伤定位精度（DLP）纳入联合优化：

max(PPI × SCC^β / DLP)
（β为可调权重参数）

（二）工程应用价值
1. 智能监测系统升级
可集成于现有SHM平台，实现损伤定位精度从厘米级向毫米级跨越（当前行业平均为2-3cm）
2. 多尺度损伤识别
通过分层特征提取，可同时检测表面微裂纹（<1mm）和内部分层损伤（>5mm）
3. 环境适应性增强
在温度变化±15℃、湿度波动±40%的工业环境中，模型性能衰减率控制在8%以内

六、未来研究方向
（一）技术深化方向
1. 增强物理约束的动态建模能力
研究基于连续介质力学的传播路径自适应更新算法
2. 开发轻量化部署方案
针对工业现场计算资源限制，优化模型参数量至<50MB
3. 构建跨尺度知识迁移框架
探索从微观损伤特征到宏观结构状态的跨尺度推理机制

（二）工程应用拓展
1. 复杂结构适配
研究大型桥梁（>1000m）、储罐（直径>50m）等工程结构的图建模方法
2. 多源信息融合
整合声发射、视觉检测等多模态数据源，提升系统鲁棒性
3. 自适应学习系统
开发基于边缘计算的在线学习架构，实现损伤检测模型的持续进化

（三）标准化建设
1. 制定CFRP声波传播特征数据库标准
2. 建立损伤定位精度分级标准（毫米级/亚厘米级/厘米级）
3. 开发基于数字孪生的监测系统验证平台

七、研究启示与学科展望
本研究的突破性进展表明，将物理原理深度嵌入图神经网络架构，能有效解决复杂工程场景下的智能监测难题。这种"物理指导数据驱动"的融合范式，为智能结构健康监测开辟了新路径：
1. 方法论层面：建立"物理约束建模-数据驱动优化-可解释性验证"的闭环研发体系
2. 工程实践层面：推动从实验室环境（高精度、低噪声）到工业现场（高干扰、多约束）的技术跨越
3. 学科发展层面：促进计算力学与深度学习的交叉融合，形成新的学科增长点

当前研究已验证基础理论框架的有效性，但实际工程应用仍需解决三个核心问题：如何建立普适的物理约束建模规则、如何平衡模型复杂度与计算效率、如何实现损伤演化过程的动态建模。这些关键问题的突破将推动智能损伤感知技术从实验室研究向工业级部署迈进，为高端装备的可靠性管理提供核心技术支撑。