Hazard-Responsive Digital Twin for Climate-Driven Urban Resilience and Equity

Résumé technique : Jumeau numérique réactif aux aléas pour la résilience urbaine et l'équité face au climat

Énoncé du problème
L'article traite de la complexité croissante des catastrophes liées au climat, qui se caractérisent de plus en plus par des aléas composés (par exemple, des incendies de forêt provoquant des pannes de courant qui exacerbent les vagues de chaleur) plutôt que par des événements isolés. Les évaluations des risques traditionnelles et les technologies de jumeaux numériques (DN) existants échouent souvent dans ces scénarios en raison de leur dépendance à une connectivité stable, à des ensembles de données complets et à des hypothèses déterministes. Les DN actuels sont généralement fragmentés, se concentrant sur des actifs uniques ou des aléas isolés, et manquent de capacité pour intégrer la modélisation physique avec des considérations d'équité sociale dans des conditions de perturbation des données et de défaillances en cascade des infrastructures. Il existe un besoin critique d'un cadre capable de fonctionner de manière adaptative dans l'incertitude, de fusionner des flux de données hétérogènes (y compris lorsque les capteurs tombent en panne) et de prendre explicitement en compte la vulnérabilité sociale dans la planification de la résilience.

Méthodologie
Les auteurs proposent le Jumeau Numérique Réactif aux Aléas (H-RDT), un cadre unificateur structuré comme un écosystème cyber-physique à trois couches :

1. Couche physique : Représente les entités du monde réel (bâtiments, populations, infrastructures) instrumentées avec des capteurs distribués (IoT, drones, satellites) et complétées par des données crowdsourcées lorsque les réseaux formels se dégradent.
2. Couche d'intelligence numérique : Le cœur de calcul utilise une approche hybride :
   • Réseaux de neurones informés par la physique (PINN) : Ces modèles intègrent les lois physiques régissantes (par exemple, modèles thermiques 2R2C, équations d'advection-diffusion pour la fumée, lois d'évolution des dommages) dans l'apprentissage automatique pour garantir que les prédictions restent cohérentes avec les principes thermodynamiques et structurels, même avec des données éparses.
   • Fusion par apprentissage par renforcement (RL) : Un module adaptatif réajuste dynamiquement les sources de données (IoT, drones, satellites) en fonction de leur fiabilité et de leur fraîcheur, permettant au système de maintenir une conscience situationnelle lors de pannes de capteurs.
   • Apprentissage par renforcement sur graphes (GRL) : Ce module modélise les interdépendances évolutives entre les actifs communautaires, identifiant les nœuds critiques et les voies de soutien latentes (par exemple, les écoles servant d'abris) sous contrainte.
3. Couche de décision : Visualise les prévisions probabilistes et intègre des métriques de Risque Ajusté à l'Équité. Cette formulation combine l'exposition physique aux aléas avec la sensibilité socio-économique et la vulnérabilité physique pour générer des indices de risque mettant en évidence les disparités dans les clusters à haute vulnérabilité (par exemple, logements à faible revenu, cliniques).

Le cadre inclut également un module de Modélisation des secours et des interventions qui simule des stratégies (par exemple, micro-réseaux, centres de rafraîchissement) pour quantifier leur impact sur le risque pondéré par la population, le risque de queue (95e percentile) et les heures de surchauffe.

Étude de cas et résultats
Le H-RDT a été évalué dans un quartier urbain synthétique comprenant 120 bâtiments aux archétypes divers (écoles, cliniques, logements) sous un scénario simulé de 72 heures combinant incendie de forêt, panne de courant et vague de chaleur. Les principaux résultats incluent :

• Performance des PINN : Le modèle PINN a prédit avec précision les trajectoires de température intérieure (atteignant un pic d'environ 31–33 °C pendant les pannes) avec une RMSE globale de 1,93 °C. Il a démontré une robustesse, maintenant la stabilité et le réalisme physique même lorsque les capteurs IoT présentaient des interruptions lors des pannes de courant.
• Fusion de données adaptative : Le module de fusion basé sur le RL a réussi à déplacer la dépendance des capteurs IoT défaillants vers les flux de données des drones et des satellites. Les poids de fusion pour l'IoT ont diminué d'environ 0,32 à 0,22 pendant les pannes, tandis que les poids des drones et des satellites ont augmenté, préservant la couverture spatio-temporelle.
• Résilience du réseau : Le module GRL a identifié des corridors à forte intermédiarité et des installations critiques soucieuses de la couverture, renforçant efficacement l'ossature du réseau pour le flux de ressources en période de stress.
• Équité et interventions : L'analyse du risque ajusté à l'équité a révélé que les clusters à haut risque (déciles inférieurs de la population) supportaient une charge disproportionnée. Cinq stratégies d'intervention ont été testées :
  • Les Centres de rafraîchissement préventifs (I1) et l'Expansion des micro-réseaux pour les blocs vulnérables (I4) se sont avérés les plus efficaces, réduisant le risque pondéré par la population de 11 à 13 %, le risque de queue de 7 à 17 % et les heures de surchauffe de 7 à 9 %.
  • L'Ouverture réactive (I2) a offert des avantages modérés (réduction du risque d'environ 4 %), tandis que la sensibilisation ciblée et les micro-réseaux prioritaires pour les cliniques ont apporté des améliorations plus petites et ciblées (1 à 3 %).
  • L'analyse de la frontière de Pareto a indiqué que les micro-réseaux distribués offraient la meilleure efficacité coût-bénéfice, tandis que les centres de rafraîchissement préventifs offraient une flexibilité opérationnelle.

Contributions clés et importance
L'article prétend faire avancer le domaine de la résilience urbaine en :

1. Cadre unificateur : Établissant une fondation transférable reliant la modélisation physique des aléas, la découverte d'interdépendances basée sur les réseaux et le raisonnement conscient de l'équité au sein d'un seul cadre adaptatif.
2. Robustesse dans l'incertitude : Démontrant que les modèles hybrides physique-IA peuvent maintenir la précision prédictive et la cohérence physique malgré la perte partielle de capteurs et l'incomplétude des données, une caractéristique courante des scénarios de catastrophes composées.
3. Soutien à la décision centré sur l'équité : Allant au-delà de la surveillance statique des actifs pour fournir des métriques de risque quantitatives et ajustées à l'équité qui priorisent explicitement les populations vulnérables et les installations critiques dans la planification de la résilience.
4. Informations exploitables : Fournissant une méthodologie pour évaluer et prioriser les interventions (par exemple, l'activation anticipée des centres de rafraîchissement par rapport au renforcement des infrastructures) en fonction de leur capacité à réduire à la fois les risques moyens et les risques de queue.

Les auteurs positionnent le H-RDT non pas simplement comme un outil de diagnostic, mais comme un « collaborateur cognitif » qui fait progresser la résilience urbaine numérique vers un soutien à la décision adaptatif, basé sur l'apprentissage et centré sur l'équité pour l'adaptation au climat. L'étude reconnaît que, bien que l'implémentation actuelle utilise un quartier synthétique et des modèles thermiques simplifiés, le cadre établit une fondation évolutive pour une mise en œuvre dans des villes réelles, sous réserve d'une validation future avec des ensembles de données municipales et des pilotes sur le terrain.