Local Information Operators for Spatial Identifiability in Distributed-Parameter Inverse Problems in Computational Mechanics

Resumen Técnico: Operadores de Información Local para la Identificabilidad Espacial en Problemas Inversos de Parámetros Distribuidos

Enunciado del Problema
En la mecánica computacional, los problemas inversos de parámetros distribuidos implican inferir campos que varían espacialmente (por ejemplo, rigidez, daño, corrosión) a partir de observaciones ruidosas, indirectas y heterogéneas. Un desafío crítico en estos problemas no es simplemente encontrar un campo que se ajuste a los datos, sino determinar qué patrones de perturbación espacial del campo son distinguibles bajo un programa específico de sensado y excitación. Los criterios de diseño escalares clásicos (por ejemplo, traza, determinante, entropía) y las medidas de información diagonales a menudo comprimen la geometría de la información en números únicos, fallando en revelar si las nuevas observaciones llenan vacíos de información, refuerzan patrones existentes o dejan direcciones débiles sin cambios. Además, la dependencia de los campos inferidos respecto a la geometría de sensado, la riqueza de la excitación y la parametrización es intrínseca a la naturaleza mal planteada de la inferencia indirecta de campos.

Metodología
El artículo propone un marco de operador de información local para abordar la identificabilidad espacial. La metodología central implica linealizar el mapa de parámetros a observaciones alrededor de un campo de parámetros nominal ($m_0$) e interpretar la contribución de verosimilitud a la precisión posterior como un operador que actúa sobre las perturbaciones del campo de parámetros.

1. Definición del Operador de Información Local: Para modelos gaussianos localmente linealizados con covarianza independiente de los parámetros, el operador se define como $I(m_0; \Xi) = J(m_0; \Xi)^\top R^{-1} J(m_0; \Xi)$, donde $J$ es la Jacobiana del mapa de observaciones y $R$ es la covarianza del ruido. Se demuestra que este operador es equivalente a:

   • La Matriz de Información de Fisher de la verosimilitud gaussiana local.
   • El Hessiano de Gauss-Newton del funcional de discrepancia de datos.
   • Un Gramiano de sensibilidad parámetro-salida ponderado por el ruido.

2. Distinción entre Visibilidad e Identificabilidad: El marco separa la visibilidad puntual de la identificabilidad espacial:

   • La diagonal del operador proporciona una densidad de información local dependiente de las coordenadas, visualizando dónde las perturbaciones localizadas son más visibles.
   • El núcleo completo y sus espectros precondicionados por la métrica o el prior clasifican los patrones espaciales, identificando aquellos que son fuertemente visibles, débilmente visibles o localmente invisibles (modos nulos). Esto captura el acoplamiento espacial, la cancelación y la confusión entre perturbaciones en diferentes ubicaciones.

3. Manejo de Heterogeneidad y Complejidad:

   • Aditividad: Los bloques de observación independientes contribuyen aditivamente al operador de información ($I_{tot} = \sum J_b^\top R_b^{-1} J_b$), mientras que los errores correlacionados requieren la covarianza conjunta completa.
   • Modos Relativos al Prior: Mediante la resolución del problema de autovalores generalizado $I\phi_i = \lambda_i^{pr} Q_{pr}\phi_i$ (donde $Q_{pr}$ es la precisión del prior), el marco identifica "subespacios informados por la verosimilitud" (LIS). Estos modos representan patrones del campo de parámetros que son tanto plausibles a priori como fuertemente distinguidos por los datos.
   • Discrepancia y Parámetros de Incómodo: La discrepancia del modelo se maneja mediante inflación de covarianza ($R_{eff} = R + C_\delta$), mientras que los parámetros de incómodo (por ejemplo, amplitudes de carga, condiciones de frontera) se abordan mediante la pérdida de información por complemento de Schur, lo cual puede rotar el subespacio identificable y eliminar selectivamente información de direcciones confundidas con efectos de parámetros de incómodo.

4. Implementación Computacional: El marco utiliza acciones de operadores sin matriz ($v \mapsto J^\top R^{-1} J v$), permitiendo la extracción de modos de información dominantes y ganancias en direcciones débiles sin ensamblar explícitamente la matriz completa de información. Esto hace que el enfoque sea escalable para modelos de elementos finitos grandes y restringidos por EDP.

Contribuciones Clave
El artículo realiza cuatro contribuciones principales:

1. Formulación: Establece un marco de operador de información local orientado a la mecánica que vincula explícitamente la información de Fisher, la curvatura de Gauss-Newton, el análisis de sensibilidad y la observabilidad de parámetros para sistemas de parámetros distribuidos.
2. Distinción Diagnóstica: Distingue la visibilidad puntual (densidad diagonal) de la identificabilidad espacial a nivel de operador (núcleo completo y modos precondicionados), demostrando que los criterios escalares no pueden capturar completamente la geometría de los subespacios de parámetros informados.
3. Tratamiento Unificado de la Heterogeneidad: Proporciona un tratamiento algebraico unificado para sistemas de observación heterogéneos, aclarando las condiciones para la información aditiva, el impacto de los errores correlacionados y los efectos geométricos de la discrepancia del modelo y los parámetros de incómodo.
4. Ejemplos Ilustrativos: Valida el marco mediante ejemplos analíticos y computacionales, incluyendo núcleos de viga de forma cerrada, acoplamiento de apoyos de dos vanos, fusión de datos estáticos y dinámicos, y reconstrucción de campos de daño bidimensionales.

Resultados y Ejemplos
El artículo demuestra el marco a través de varios estudios de caso:

• Viga Simplemente Apoyada: Una derivación analítica del núcleo de información para una carga puntual móvil y un sensor de rotación revela que la densidad de información puntual es asimétrica y depende de la ubicación del sensor. El núcleo completo muestra cómo las perturbaciones de rigidez se refuerzan o cancelan entre sí, y los modos propios exhiben un decaimiento espectral rápido, indicando información efectiva de baja dimensión.
• Viga Continua de Dos Vanos: El análisis muestra cómo los apoyos interiores redistribuyen los momentos flectores, creando huellas de sensibilidad complejas dependientes del sensor y acoplamiento espacial entre vanos que no pueden ser capturados por medidas diagonales únicamente.
• Fusión Estática-Dinámica: Una prueba de concepto en una viga dañada compara pruebas de carga móvil estática con pruebas de respuesta en frecuencia dinámica (FRF). Los resultados muestran que, mientras que los datos estáticos proporcionan una sensibilidad integral amplia, los datos dinámicos ofrecen una localización más precisa. El operador fusionado demuestra cómo los dos tipos de datos se complementan, logrando la reconstrucción híbrida una identificación de rigidez más profunda y localizada que cualquiera de los métodos por separado.
• Reconstrucción 2D de Daños: En un problema de continuo bidimensional, los modos de información principales definen un subespacio de reconstrucción reducido. Restringir la actualización inversa a los 8 modos superiores permite recuperar la ubicación y extensión dominantes del daño mientras se suprimen patrones no identificables sensibles al ruido.

Significado y Alcance
El artículo afirma que la identificabilidad espacial en la mecánica de parámetros distribuidos es fundamentalmente una propiedad a nivel de operador. El significado principal radica en hacer explícita la distinción entre la visibilidad a nivel de coordenadas y la identificabilidad a nivel de patrones. Esta perspectiva apoya la interpretación de la complementariedad de sensores, la identificación de direcciones débiles para el diseño experimental y la construcción de reconstrucciones de orden reducido.

El marco es local al campo nominal, al modelo de covarianza y a la métrica elegida. Es independiente del modelo de mecánica específico o del tipo de observación, siempre que se especifiquen la Jacobiana local y la covarianza. Los autores señalan que, aunque el marco clarifica la distinguibilidad local de primer orden, no garantiza la unicidad global; para regímenes fuertemente no lineales, herramientas complementarias como la inversión no lineal o el muestreo posterior siguen siendo necesarias. La obra sirve como una capa diagnóstica para modelos de mecánica a gran escala, ofreciendo un lenguaje geométrico riguroso para evaluar qué se puede y qué no se puede inferir de un programa experimental dado.