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

技術要約：SPECTRA – リアルタイム構造異常推論のための物理情報に基づくデジタルツイン

問題提起
構造ヘルスモニタリング（SHM）は、単純な損傷検出から、重要インフラのためのリアルタイムの意思決定支援へと移行しつつある。この領域における永続的な課題は、真の構造的異常と、温度変化、交通荷重、風などの有益な環境・運用変動（EOV）を区別することである。古典的なSHM手法は、多くの場合、統計的なパターン認識に依存しており、基準状態からの逸脱によってアラートを発する。しかし、Z24橋の研究などで示されているように、環境効果は損傷に起因する変化と同等、あるいはそれ以上のモード変化を誘発することがある。その結果、純粋に統計的な新奇性検出器は、運用条件の変化に伴って誤報を頻発させ、安全管理における有用性を損なう。さらに、既存の手法は物理的な解釈性に欠けることが多く、エンジニアが自動化された決定を信頼することを困難にしている。

手法：SPECTRAフレームワーク
本論文では、統計的な新奇性のみに基づいたのではなく、計測された応答と物理情報に基づく「健全な」デジタルツインとの間の不一致に基づいて異常を推論するように設計されたフレームワーク、SPECTRA（Self-adaptive Physics-informed Eigen-Compressed Twin for Real-time Anomaly inference）を紹介する。ワークフローは、以下の5つの統合されたコンポーネントで構成される：

1. 物理情報に基づく健全なツイン（Physics-Informed Healthy Twin）： 構造物の期待される無傷の状態の挙動を表す参照モデル。決定的なのは、このツインが環境補償（例：温度依存的な剛性マルチプライヤー）を組み込んでいることであり、これによりEOVによる全般的な変動を考慮し、EOVによる変化が損傷と誤認されないようにしている。
2. 固有値圧縮ダイナミクス表現（Eigen-Compressed Dynamic Representation）： システムの応答は、支配的なモードの低次元基底上に投影される。これにより、構造物の本質的な動的挙動を保持しながら、効率的なリアルタイム推論が可能になる。
3. ツイン・イノベーション信号（Twin Innovation Signal）： コアとなる指標は「イノベーション」であり、これは計測された構造応答と、健全なツインによって予測された応答との差として定義される。この信号は、実際の資産と健全なモデルとの間の物理的な不一致を定量化する。
4. 残差拡張特徴ベクトルおよびKPCA（Residual-Augmented Feature Vector & KPCA）： スペクトル記述子（セントロイド、帯域幅、エネルギー）とツイン・イノベーションを組み合わせた特徴ベクトルが構築される。これらの特徴は、カーネル主成分分析（KPCA）を用いて解析され、2つのモニタリング指標を生成する：
   • $T^2$（ホテリング統計量）： 学習された特徴多様体内の変動を測定する。
   • SPE（二乗予測誤差）： 多様体の外側にある新奇性を測定する。
5. 持続的決定ルール（Persistent Decision Rule）： 孤立した統計的な逸脱が誤報を引き起こすのを防ぐため、本フレームワークはゲーティング機構を採用している。生の（raw）アラームは、イノベーション指数（物理的不一致）が制限値を超え、かつKPCAの新奇性（$T^2$ または SPE）によって裏付けられた場合にのみ生成される。この生のアラートは、最終的な構造異常フラグを立てるために、定義された連続するウィンドウ数（$p$）の間持続しなければならない。

主な貢献
本研究の主要な貢献は、物理情報に基づくツイン、固有値圧縮ダイナミクス、ツイン・イノベーション特徴量、およびKPCAモニタリングを、単一の異常推論フレームワークへと統合したことである。データ駆動型の新奇性検出のみに依存する手法とは異なり、SPECTRAは、統計的な新奇性が裏付けとしての証拠として機能する一方で、最終的な決定は健全なモデルとの物理的な不整合によってゲート制御されるという決定構造を強制する。

本論文は、特定の故障モードや混同要因をテストするために設計された7つの数値ベンチマークを通じて、このフレームワークを検証している：

• 非線形ドリフト： 有益な非線形性に対する特異性をテストするための、滑らかなダフィング型非線形ドリフト。
• 急激な剛性低下： 突然の30%の剛性減少。
• 漸進的な劣化： 時間経過に伴う線形な剛性損失のランプ。
• ブリージング剛性（Breathing Stiffness）： ブリージングクラックをシミュレートする、双線形かつ非平滑な剛性メカニズム。
• EOVが混入した損傷： 温度による全般的な剛性変化と同時に発生する局所的な剛性損失。
• 減衰損失： 局所的な減衰の82%の損失。これは周波数ベースの手法では見逃されやすいメカニズムである。
• 運用のみのネガティブコントロール： 温度と荷重は変化するが、構造的損傷はないシナリオ。

結果
数値結果は、SPECTRAが、高い特異性を維持しながら、急激、漸進的、非線形的、および減衰に関連する損傷メカニズムを有限の検出遅延をもって検出できることを示している：

• 損傷検出： 本フレームワークは、すべての損傷ケース（剛性低下、ブリージングクラック、減衰損失）を、損傷前の持続的な誤報なしに検出した。検出遅延は、閾値調整ではなく、モニタリングウィンドウの長さと持続要件によって決定された。
• ネガティブコントロールにおける特異性： 運用のみのネガティブコントロールケースにおいて、運用レジームの変化によりKPCAのSPE指数は上限制御限界を超えた。しかし、物理情報に基づくツイン（温度補償済み）が計測された応答を説明し続けたため、イノベーション指数は制限内に留まった。その結果、持続的な決定フラグはゼロのままとなった。これは、SPECTRAが特徴空間の新奇性（EOVによるもの）と構造的異常を区別できることを裏付けている。
• 減衰感度： 周波数ベースの特徴（セントロイド）が静止している減衰損失のケースにおいて、イノベーションチャネルが決定的な信号を提供したことは、周波数シフトとして現れない故障を検出する本フレームワークの能力を示している。
• EOVへの堅牢性： 混入した損傷ケースにおいて、本フレームワークは温度補償によって全般的な剛性変化を特定し、局所的な損傷を分離してフラグを立てることに成功した。

意義および主張
本論文は、SPECTRAが、現場への配デプロイ前に物理情報に基づく異常推論をテストするための再現可能な経路を提供すると主張している。その意義は、「統計的な新奇性検出」から「物理空間の不一致推論」へとパラダイムを転換したことにある。著者らは、構造的異常は統計的な新奇性のみから推論されるべきではなく、むしろ健全で物理情報に基づいたツインとの間の、持続的な不一致として解釈されるべきであると論じている。

本研究は、モデル適合誤差が存在する現場への適用と比較して、使用されているベンチマークが正確な参照行列と制御された励起を用いた理想的なツインを使用しているという限界を明示的に認めている。また、本研究は数値的な剪断ビルディングモデルに限定されている。しかし、著者らは、コアとなる貢献はゲーティング決定ロジックであり、物理情報に基づいた構造が維持されている限り、ツインがデータから適合された場合でも有効であると主張している。本フレームワークは、計測された応答から異常決定へと至る、技術的に解釈可能な経路を提供し、より弾力性のあるリアルタイムのインフラ管理への移行を支援するものである。