Bayesian Tendon Breakage Localization under Model Uncertainty Using Distributed Fiber Optic Sensors

Aquí presento un resumen técnico detallado del artículo "Bayesian Tendon Breakage Localization under Model Uncertainty Using Distributed Fiber Optic Sensors" (Localización de rotura de tendones bajo incertidumbre de modelo utilizando sensores ópticos distribuidos), estructurado según los puntos solicitados.

---

1. Planteamiento del Problema

La localización precisa de la rotura de tendones en elementos de hormigón pretensado es fundamental para la evaluación de la integridad estructural y la gestión de emergencias en puentes y estructuras críticas. Sin embargo, existen desafíos significativos:

• Imposibilidad de calibración in situ: No se pueden realizar pruebas destructivas en estructuras reales para validar modelos mecánicos. La calibración debe basarse en experimentos de laboratorio controlados.
• Transferencia de incertidumbre: El reto principal no es solo calibrar un modelo con datos experimentales, sino propagar las incertidumbres desde la escala de laboratorio a simulaciones de sistemas estructurales reales de manera fiable.
• Incertidumbre de forma de modelo (MFU): Los modelos de Elementos Finitos (FEM), incluso los no lineales detallados, sufren de errores debidos a leyes constitutivas idealizadas, condiciones de contorno inciertas y simplificaciones geométricas. Si no se contabilizan explícitamente, estos errores generan predicciones sesgadas o excesivamente confiantes.
• Limitaciones de los métodos actuales: Enfoques como el de Kennedy-O'Hagan (KOH) corrigen la discrepancia en el entorno de calibración, pero los términos de discrepancia inferidos no son transferibles a nuevas configuraciones estructurales.

2. Metodología Propuesta

El estudio propone un marco de trabajo unificado y consciente de la incertidumbre que integra mediciones de sensores, modelado FEM, inferencia bayesiana y análisis de influencia.

A. Marco de Incertidumbre de Forma de Modelo (MFU) Incrustada

En lugar de usar un término de discrepancia aditivo no transferible, los autores adoptan un enfoque de MFU incrustada.

• Se trata el módulo de Young del hormigón ($E_{cm}$) no como un valor determinista, sino como una variable estocástica ($\tilde{E}_{cm}$) con una distribución de probabilidad (log-normal).
• Esto permite que la variabilidad en los parámetros físicos absorba directamente la discrepancia del modelo, permitiendo que la inferencia bayesiana estime simultáneamente las propiedades físicas y la incertidumbre del modelo.

B. Modelos Sustitutos (Surrogates) y Aproximación

Dado que la calibración bayesiana requiere miles de evaluaciones de modelos FEM no lineales (computacionalmente prohibitivas), se emplean dos estrategias de sustitución:

1. Procesos Gaussianos (GP): Se utilizan para emular la respuesta del FEM. Se entrenan GPs para aproximar la respuesta del modelo en función de los parámetros de entrada, permitiendo una inferencia bayesiana eficiente.
2. Expansión en Caos Polinómico (PCE): Se utiliza para propagar la incertidumbre de los parámetros estocásticos ($\tilde{E}_{cm}$) a través del modelo, calculando eficientemente los momentos estadísticos (media y varianza) de la respuesta del modelo.

C. Calibración Bayesiana y Análisis de Influencia

• Actualización de Parámetros: Se utiliza un muestreador de cadenas de Markov Monte Carlo (MCMC) para inferir la distribución posterior de los parámetros (módulo de Young, parámetros de contacto, fricción) y la varianza de la MFU.
• Análisis de Influencia ($\phi$-divergencia): Se aplica un análisis basado en la divergencia de Kullback-Leibler inversa para identificar qué subconjuntos de datos de los sensores (DFOS) tienen mayor impacto en la distribución posterior. Esto permite diagnosticar la idoneidad del modelo y la informatividad de los sensores.

D. Análisis de Separabilidad e Identificabilidad

Una vez calibrado el modelo, se transfiere a una configuración estructural realista (una viga en T a escala real).

• Objetivo: Determinar si es posible distinguir la profundidad de una rotura de tendón ($a$) basándose en los patrones de deformación medidos, considerando la incertidumbre propagada.
• Métrica: Se define un problema de optimización "minimax" para encontrar la mínima perturbación detectable ($\Delta \lambda_{min}$) y se calcula la superposición de las distribuciones predictivas (PDF) para diferentes profundidades de rotura.
• Resultado: Se generan mapas de "separabilidad" que indican en qué regiones de la estructura las mediciones son lo suficientemente distintas para identificar la falla, y dónde la incertidumbre hace que las predicciones sean indistinguibles.

3. Contribuciones Clave

1. Marco de MFU Incrustada Transferible: Propone y valida una metodología donde la incertidumbre del modelo se absorbe en la parametrización estocástica de un parámetro físico clave ($E_{cm}$), permitiendo que la incertidumbre calibrada en laboratorio se propague de manera significativa a configuraciones estructurales reales, superando las limitaciones de los métodos de discrepancia tradicionales.
2. Diagnóstico de Informatividad de Sensores: Utiliza el análisis de $\phi$-divergencia para cuantificar qué mediciones específicas de la red de sensores DFOS son críticas para la calibración, revelando que los datos cerca del punto de rotura son los que más influyen en la posterior, pero también donde la discrepancia del modelo es mayor.
3. Mapas de Identificabilidad bajo Incertidumbre: Desarrolla una metodología para cuantificar la "separabilidad" de escenarios de daño en presencia de incertidumbre propagada. Esto proporciona una base rigurosa para la colocación óptima de sensores, indicando dónde las mediciones serán más efectivas para detectar roturas.
4. Integración de Datos Experimentales y Simulación: Combina exitosamente datos de alta resolución de sensores de fibra óptica distribuidos (DFOS) con modelos FEM no lineales complejos mediante técnicas de aprendizaje automático (GP) y estadística bayesiana.

4. Resultados Principales

• Calibración Robusta: La calibración con MFU incrustada logró una cobertura del 87% de los datos experimentales dentro de los intervalos de confianza del 95%, en comparación con solo el 60% en el modelo sin incertidumbre incrustada. Los parámetros inferidos (ej. $E_{cm} \approx 31,000$ MPa) cayeron dentro de rangos físicamente realistas, a diferencia del modelo sin incertidumbre que empujaba los parámetros a los límites de sus priores.
• Diagnóstico de Discrepancia: El análisis de influencia reveló que las mayores discrepancias entre el modelo y los datos ocurren cerca del punto de rotura del tendón. La varianza incrustada absorbe parcialmente esta discrepancia local, sugiriendo que la rigidez efectiva varía más en esa zona de lo que predice el modelo determinista.
• Análisis de Separabilidad en Estructura Real:
  • Zona de Alta Identificabilidad ($x < 450$ mm): Cerca del punto de rotura, las distribuciones predictivas para diferentes profundidades de tendón están bien separadas. La incertidumbre no oculta la señal de la rotura.
  • Zona de Baja Identificabilidad ($450 < x < 900$ mm): Se observa una superposición significativa de las distribuciones debido a la interacción entre el momento flector inducido por la excentricidad de la rotura y la incertidumbre del módulo de Young. En esta zona, es difícil distinguir la profundidad de la rotura.
  • Zona de Recuperación ($900 < x < 1900$ mm): La separabilidad aumenta nuevamente a medida que se estabilizan las deformaciones, aunque disminuye muy lejos del punto de rotura donde las señales son demasiado pequeñas.

5. Significado e Impacto

Este trabajo es significativo porque aborda una brecha crítica en la Monitorización de la Salud Estructural (SHM): la transición de modelos calibrados en laboratorio a aplicaciones en el mundo real bajo condiciones de incertidumbre.

• Toma de Decisiones Informada: Proporciona a los ingenieros no solo una predicción de la ubicación de la falla, sino una medida cuantitativa de la confianza en esa predicción.
• Optimización de Sensores: Los mapas de separabilidad generados permiten diseñar estrategias de colocación de sensores más eficientes, evitando zonas donde las mediciones serían ambiguas debido a la incertidumbre del modelo.
• Validación de Modelos: El enfoque demuestra que es posible crear "gemelos digitales" más fiables para estructuras de hormigón pretensado, incorporando explícitamente las limitaciones del modelo físico en el proceso de inferencia.
• Escalabilidad: La metodología es aplicable a otros problemas de identificación de daños en estructuras donde la calibración directa in situ es imposible, estableciendo un estándar para la gestión de incertidumbre en ingeniería civil.

En resumen, el estudio presenta un flujo de trabajo integral que transforma datos experimentales ruidosos y modelos imperfectos en herramientas de diagnóstico robustas y transferibles para la seguridad de infraestructuras críticas.