SPECTRA: A Physics-informed Digital Twin for Real-time Structural Anomaly Inference under Operational Variability

Resumen Técnico: SPECTRA – Un Gemelo Digital Informado por la Física para la Inferencia de Anomalías Estructurales en Tiempo Real

Planteamiento del Problema
El monitoreo de la salud estructural (SHM, por sus siglas en inglés) está transitando desde la simple detección de daños hacia el soporte de decisiones en tiempo real para infraestructuras críticas. Un desafío persistente en este dominio es distinguir las anomalías estructurales reales de la variabilidad benigna ambiental y operativa (EOV), como las fluctuaciones de temperatura, las cargas de tráfico y el viento. Los métodos clásicos de SHM a menudo dependen del reconocimiento de patrones estadísticos, donde las desviaciones de una condición de referencia activan alertas. Sin embargo, como demuestran estudios como el del puente Z24, los efectos ambientales pueden inducir cambios modales comparables o incluso mayores que los causados por daños. En consecuencia, los detectores de novedad puramente estadísticos generan con frecuencia falsas alarmas cuando las condiciones operativas cambian, socavando su utilidad para la gestión de seguridad crítica. Además, los métodos existentes suelen carecer de interpretabilidad física, lo que dificulta que los ingenieros confíen en las decisiones automatizadas.

Metodología: El Marco de Trabajo SPECTRA
El artículo presenta SPECTRA (Self-adaptive Physics-informed Eigen-Compressed Twin for Real-time Anomaly inference), un marco diseñado para inferir anomalías basándose en el desacuerdo entre las respuestas medidas y un gemelo digital "sano" informado por la física, en lugar de basarse únicamente en la novedad estadística. El flujo de trabajo consta de cinco componentes integrados:

1. Gemelo Sano Informado por la Física: Un modelo de referencia que representa el comportamiento esperado de la estructura sin daños. Crucialmente, este gemelo incorpora la compensación ambiental (por ejemplo, multiplicadores de rigidez dependientes de la temperatura) para dar cuenta de las variaciones globales benignas, asegurando que los cambios debidos a la EOV no se malinterpreten como daños.
2. Representación Dinámica de Compresión de Autovalores (Eigen-Compressed): La respuesta del sistema se proyecta sobre una base reducida de modos dominantes. Esto permite una inferencia eficiente en tiempo real mientras se retiene el comportamiento dinámico esencial de la estructura.
3. Señal de Innovación del Gemelo: La métrica central es la "innovación", definida como la diferencia entre la respuesta estructural medida y la respuesta predicha por el gemelo sano. Esta señal cuantifica el desacuerdo físico entre el activo real y el modelo sano.
4. Vector de Características Aumentado por Residuos y KPCA: Se construye un vector de características que combina descriptores espectrales (centroide, ancho de banda, energía) y la innovación del gemelo. Estas características se analizan mediante el Análisis de Componentes Principales de Kernel (KPCA) para generar dos índices de monitoreo:
   • $T^2$ (estadístico de Hotelling): Mide la variación dentro de la variedad (manifold) de características aprendida.
   • SPE (Error de Predicción Cuadrática): Mide la novedad fuera de la variedad.
5. Regla de Decisión Persistente: Para evitar que excursiones estadísticas aisladas activen falsas alarmas, el marco emplea un mecanismo de compuerta (gating). Solo se genera una alarma bruta si el índice de innovación (desacuerdo físico) excede su límite y es corroborado por la novedad de KPCA ($T^2$ o SPE). Esta alarma bruta debe persistir durante un número definido de ventanas consecutivas ($p$) para activar una señal final de anomalía estructural.

Contribuciones Clave
La contribución principal de este trabajo es la integración de un gemelo informado por la física, dinámica de compresión de autovalores, características de innovación del gemelo y monitoreo por KPCA en un único marco de inferencia de anomalías. A diferencia de los métodos que dependen únicamente de la novedad basada en datos, SPECTRA impone una estructura de decisión donde la novedad estadística sirve como evidencia corroborativa, pero la decisión final está condicionada por la inconsistencia física con un modelo sano.

El artículo valida este marco a través de siete pruebas de referencia numéricas diseñadas para probar mecanismos de falla específicos y factores de confusión:

• Deriva No Lineal: Una deriva no lineal de tipo Duffing suave para probar la especificidad frente a la no linealidad benigna.
• Pérdida Abrupta de Rigidez: Una reducción repentina del 30% en la rigidez.
• Degradación Gradual: Una rampa lineal de pérdida de rigidez a lo largo del tiempo.
• Rigidez de Respiración (Breathing Stiffness): Un mecanismo de rigidez bilineal y no suave que simula una grieta de respiración.
• Daño Confundido por EOV: Pérdida de rigidez local que ocurre simultáneamente con cambios de rigidez global impulsados por la temperatura.
• Pérdida de Amortiguamiento: Una pérdida del 82% del amortiguamiento local, un mecanismo que suele ser invisible para los métodos basados en frecuencia.
• Control Negativo de Solo Operación: Un escenario con cambios de temperatura y carga, pero sin daño estructural.

Resultos
Los resultados numéricos demuestran que SPECTRA detecta con éxito mecanismos de daño abruptos, graduales, no lineales y relacionados con el amortiguamiento con retrasos de detección finitos, manteniendo al mismo tiempo una alta especificidad:

• Detección de Daños: El marco detectó todos los casos de daño (pérdida de rigidez, grietas de respiración, pérdida de amortiguamiento) con cero falsas alarmas persistentes previas al daño. El retraso de detección fue determinado por la longitud de la ventana de monitoreo y el requisito de persistencia, no por el ajuste de umbrales.
• Especificidad en el Control Negativo: En el caso de control negativo de solo operación, el índice SPE de KPCA subió por encima de su límite de control superior debido al cambio en el régimen operativo. Sin embargo, debido a que el gemelo informado por la física (compensado por la temperatura) continuó explicando la respuesta medida, el índice de innovación se mantuvo dentro de los límites. En consecuencia, la señal de decisión persistente permaneció en cero. Esto confirma que SPECTRA puede distinguir entre la novedad en el espacio de características (causada por la EOV) y la anomalía estructural.
• Sensibilidad al Amortiguamiento: En el caso de pérdida de amortiguamiento, donde las características basadas en frecuencia (centroide) permanecieron estacionarias, el canal de innovación proporcionó la señal decisiva, demostando la capacidad del marco para detectar fallas que no se manifiestan como cambios de frecuencia.
• Robustez ante EOV: En el caso de daño confundido, el marco logró atribuir los cambios de rigidez global a la compensación de temperatura mientras aislaba y señalaba el daño local.

Significancia y Reivindicaciones
El artículo sostiene que SPECTRA proporciona una ruta reproducible para probar la inferencia de anomalías informada por la física antes de su despliegue. Su significancia radica en el cambio de paradigma de la "detección de novedad estadística" a la "inferencia de desacuerdo en el espacio físico". Los autores argumentan que una anomalía estructural no debe inferirse únicamente de la novedad estadística; más bien, debe interpretarse como un desacuerdo persistente entre la respuesta medida y un gemelo sano e informado por la física.

El estudio reconoce explícitamente las limitaciones: las pruebas de referencia utilizan gemelos idealizados con matrices de referencia exactas y excitaciones controladas, lo que significa que las magnitudes absolutas de las señales de innovación son optimistas en comparación con los despliegues en campo donde existen errores de ajuste de modelos. Además, el estudio se limita a modelos numéricos de edificios de corte. Sin embargo, los autores afirman que la contribución central es la lógica de decisión de compuerta, la cual sigue siendo válida incluso si el gemelo se ajusta a partir de datos, siempre que se mantenga la estructura informada por la física. El marco ofrece una ruta técnicamente interpretable desde la respuesta medida hasta la decisión de anomalía, apoyando el movimiento hacia una gestión de infraestructura resiliente y en tiempo real.