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

Sintesi Tecnica: SPECTRA – Un Digital Twin Physics-Informed per l'Inferenza di Anomalie Strutturali in Tempo Reale

Definizione del Problema
Il monitoraggio della salute strutturale (SHM) sta transitando dal semplice rilevamento dei danni al supporto decisionale in tempo reale per le infrastrutture critiche. Una sfida persistente in questo dominio è distinguere le vere anomalie strutturali dalla variabilità benigna ambientale e operativa (EOV), come le fluttuazioni di temperatura, i carichi del traffico e il vento. I metodi SHM classici si basano spesso sul riconoscimento di pattern statistici, dove le deviazioni da una condizione di riferimento attivano gli allarmi. Tuttavia, come dimostrato da studi come quello sul ponte Z24, gli effetti ambientali possono indurre cambiamenti modali comparabili o superiori a quelli causati dai danni. Di conseguenza, i detector di novità puramente statistici generano spesso falsi allarmi quando le condizioni operative cambiano, minando la loro utilità per la gestione della sicurezza. Inoltre, i metodi esistenti spesso mancano di interpretabilità fisica, rendendo difficile per gli ingegneri fidarsi delle decisioni automatizzate.

Metodologia: Il Framework SPECTRA
Il documento introduce SPECTRA (Self-adaptive Physics-informed Eigen-Compressed Twin for Real-time Anomaly inference), un framework progettato per inferire le anomalie basandosi sul disaccordo tra le risposte misurate e un digital twin "sano" physics-informed, piuttosto che sulla sola novità statistica. Il flusso di lavoro consiste in cinque componenti integrate:

1. Healthy Twin Physics-Informed: Un modello di riferimento che rappresenta il comportamento atteso non danneggiato della struttura. Fondamentalmente, questo twin incorpora la compensazione ambientale (ad esempio, moltiplicatori di rigidezza dipendenti dalla temperatura) per tenere conto delle variazioni globali benigne, garantendo che i cambiamenti dovuti a EOV non siano interpretati erroneamente come danni.
2. Rappresentazione Dinamica Eigen-Compressa: La risposta del sistema viene proiettata su una base ridotta di modi dominanti. Ciò consente un'inferenza efficiente in tempo reale mantenendo l'essenziale comportamento dinamico della struttura.
3. Segnale di Innovazione del Twin: La metrica centrale è l'"innovazione", definita come la differenza tra la risposta strutturale misurata e la risposta prevista dal twin sano. Questo segnale quantifica il disaccordo fisico tra l'asset reale e il modello sano.
4. Vettore di Caratteristiche Aumentato dai Residui e KPCA: Viene costruito un vettore di caratteristiche che combina descrittori spettrali (centroide, larghezza di banda, energia) e l'innovazione del twin. Queste caratteristiche sono analizzate tramite Kernel Principal Component Analysis (KPCA) per generare due indici di monitoraggio:
   • $T^2$ (statistica di Hotelling): Misura la variazione all'interno del manifold di caratteristiche appreso.
   • SPE (Errore di Predizione Quadratico): Misura la novità al di fuori del manifold.
5. Regola Decisionale Persistente: Per evitare che isolati escursioni statistiche attivino falsi allarmi, il framework utilizza un meccanismo di gating. Un allarme grezzo viene generato solo se l'indice di innovazione (disaccordo fisico) supera il proprio limite e è corroborato dalla novità KPCA ($T^2$ o SPE). Questo allarme grezzo deve persistere per un numero definito di finestre consecutive ($p$) per attivare un segnale finale di anomalia strutturale.

Contributi Principali
Il contributo primario di questo lavoro è l'integrazione di un twin physics-informed, la dinamica eigen-compressa, le caratteristiche di innovazione del twin e il monitoraggio KPCA in un unico framework di inferenza delle anomalie. A differenza dei metodi che si affidano esclusivamente alla novità data-driven, SPECTRA impone una struttura decisionale in cui la novità statistica funge da prova corroborante, ma la decisione finale è filtrata da un'inconsistenza fisica con un modello sano.

Il documento valida questo framework attraverso sette benchmark numerici progettati per testare specifici modi di guasto e fattori confondenti:

• Drift Nonlineare: Un drift nonlineare di tipo Duffing fluido per testare la specificità rispetto alla nonlinearità benigna.
• Perdita di Rigidezza Abrupt: Una riduzione improvvisa della rigidezza del 30%.
• Degradazione Graduale: Un decremento lineare della perdita di rigidezza nel tempo.
• Breathing Stiffness: Un meccanismo di rigidezza bilineare e non liscio che simula una fessura "respirante" (breathing crack).
• Danno Confuso da EOV: Perdita di rigidezza locale che avviene simultaneamente a cambiamenti globali di rigidezza guidati dalla temperatura.
• Perdita di Smorzamento: Una perdita dell'82% dello smorzamento locale, un meccanismo spesso invisibile ai metodi basati sulla frequenza.
• Controllo Negativo Solo Operativo: Uno scenario con cambiamenti di temperatura e carico ma senza alcun danno strutturale.

Risultati
I risultati numerici dimostrano che SPECTRA rileva con successo meccanismi di danno abrupt, graduali, non lineari e legati allo smorzamento con ritardi di rilevamento finiti e mantenendo un'alta specificità:

• Rilevamento dei Danni: Il framework ha rilevato tutti i casi di danno (perdita di rigidezza, fessure breathing, perdita di smorzamento) con zero falsi allarmi persistenti pre-danno. Il ritardo di rilevamento è stato determinato dalla lunghezza della finestra di monitoraggio e dal requisito di persistenza, non dalla sintonizzazione della soglia.
• Specificità nel Controllo Negativo: Nel caso di controllo negativo puramente operativo, l'indice KPCA SPE è salito sopra il suo limite di controllo superiore a causa del cambiamento del regime operativo. Tuttavia, poiché il twin physics-informed (compensato per la temperatura) continuava a spiegare la risposta misurata, l'indice di innovazione è rimasto entro i limiti. Di conseguenza, il flag decisionale persistente è rimasto a zero. Ciò conferma che SPECTRA può distinguere tra novità nello spazio delle caratteristiche (causata da EOV) e anomalia strutturale.
• Sensibilità allo Smorzamento: Nel caso di perdita di smorzamento, dove le caratteristiche basate sulla frequenza (centroide) rimanevano stazionarie, il canale di innovazione ha fornito il segnale decisivo, dimostrando la capacità del framework di rilevare guasti che non si manifestano come spostamenti di frequenza.
• Robustezza EOV: Nel caso di danno confuso, il framework ha attribuito con successo i cambiamenti di rigidezza globale alla compensazione della temperatura, isolando e segnalando al contempo il danno locale.

Significatività e Claim
L'articolo sostiene che SPECTRA fornisce una via riproducibile per testare l'inferenza di anomalie physics-informed prima del dispiegamento. La sua significanza risiede nello spostamento del paradigma dalla "rilevazione della novità statistica" all' "inferenza del disaccordo nello spazio fisico". Gli autori argomentano che un'anomalia strutturale non dovrebbe essere inferita dalla sola novità statistica; piuttosto, deve essere interpretata come un disaccordo persistente tra la risposta misurata e un twin sano e physics-informed.

Lo studio riconosce esplicitamente i limiti: i benchmark utilizzano twin idealizzati con matrici di riferimento esatte ed eccitazioni controllate, il che significa che gli ordini di grandezza assoluti dei segnali di innovazione sono ottimistici rispetto ai dispiegamenti sul campo dove esistono errori di fitting del modello. Inoltre, lo studio è limitato a modelli numerici di edifici a shear-wall. Tuttavia, gli autori affermano che il contributo principale è la logica decisionale a gating, che rimane valida anche se il twin è derivato da dati, a patto che la struttura physics-informed sia mantenuta. Il framework offre una via tecnicamente interpretabile dalla risposta misurata alla decisione di anomalia, supportando il passaggio verso una gestione resiliente e in tempo reale delle infrastrutture.