Naukowcy z Uniwersytetu Sheffield opracowali innowacyjny framework łączący generatywne sieci przeciwstawne z Bayesowskim szacowaniem niepewności do augmentacji danych pomiarowych ze struktur lotniczych. System został wytrenowany na rzeczywistych pomiarach z samolotu Hawk T1A (myśliwca szkoleniowego BAE Systems), wykorzystując czujniki przyśpieszenia i włókna Bragga do monitorowania odkształceń. Generowany algorytm uczy się nie tylko wygenerować realistyczne sygnały, ale również oszacować niepewność każdego wygenerowanego pomiaru przy pomocy Monte Carlo dropout jako aproksymacji bayesowskiej.
Inowacyjność podejścia polega na całościowej weryfikacji generowanych danych. Framework nie tylko tworzy syntetyczne sygnały, ale ściśle porównuje je z rzeczywistymi pomiarami w wielu dziedzinach - czasowej, częstotliwościowej, oraz analizie niepewności i zmienności. Ta rygorystyczna walidacja odbyła się na pełnowymiarowym zestawie danych z laboratoriów Uniwersytetu Sheffield, gdzie samolot był poddawany dynamicznym testom niż standardowe benchmarki.
Wyniki wskazują że model dokładnie uchwytuje dominujące dynamiki strukturalne oraz dostarcza znaczących oszacowań niepewności powiązanych ze złożonością sygnału. Dla zastosowań praktycznych, framework stanowi narzędzie decyzyjne - pokazuje które syntetyczne dane powinny być włączone do modelowania klasyfikacji uszkodzeń, a które mogą wprowadzać szum lub artefakty. To podejście ma szczególne znaczenie dla monitorowania zdrowia struktur w lotnictwie, gdzie dane o rzeczywistych uszkodzeniach są ograniczone i trudne do zebrania w warunkach testowych.