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

Technische Samenvatting: SPECTRA – Een Fysisch Geïnformeerde Digitale Tweeling voor Real-time Structurele Anomalie-inferentie

Probleemstelling
Structurele gezondheidsmonitoring (SHM) transformeert van eenvoudige schade detectie naar real-time besluitvormingsondersteuning voor kritieke infrastructuur. Een hardnekkige uitdaging in dit domein is het onderscheiden van werkelijke structurele anomalieën van banale omgevings- en operationele variabiliteit (EOV), zoals temperatuurschommelingen, verkeersbelasting en wind. Klassieke SHM-methoden vertrouwen vaak op statistische patroonherkenning, waarbij afwijkingen van een referentieconditie meldingen triggeren. Echter, zoals aangetoond door studies zoals die naar de Z24-brug, kunnen omgevingsfactoren modale veranderingen induceren die vergelijkbaar met of zelfs groter dan die door schade worden veroorzaakt. Bijgevolg genereren puur statistische novelty-detectors regelmatig valse alarmen wanneer operationele condities veranderen, wat hun nut voor veiligheidskritisch beheer ondermijnt. Bovendien missen bestaande methoden vaak fysieke interpreteerbaarheid, wat het voor ingenieurs moeilijk maakt om geautomatiseerde beslissingen te vertrouwen.

Methodologie: Het SPECTRA-framework
Het artikel introduceert SPECTRA (Self-adaptive Physics-informed Eigen-Compressed Twin for Real-time Anomaly inference), een framework ontworpen om anomalieën te infereren op basis van de discrepantie tussen gemeten respons en een fysisch geïnformeerde "gezonde" digitale tweeling, in plaats van enkel op statistische novelty alleen. De workflow bestaat uit vijf geïntegreerde componenten:

1. Fysisch Geïnformeerde Gezonde Tweeling: Een referentiemodel dat het verwachte onbeschadigde gedrag van de structuur representeert. Cruciaal is dat deze tweeling omgevingscompensatie bevat (bijv. temperatuurafhankelijke stijfheidsmultiplicatoren) om rekening te houden met banale globale variaties, waardoor wordt gewaarborgd dat veranderingen door EOV niet als schade worden geïnterpreteerd.
2. Eigen-Compressed Dynamische Representatie: De systeemrespons wordt geprojecteerd op een gereduceerde basis van dominante modi. Dit maakt efficiënte real-time inferentie mogelijk terwijl de essentiële dynamische bezigheid van de structuur behouden blijft.
3. Twin Innovation Signal: De kernmetriek is de "innovatie", gedefinieerd als het verschil tussen de gemeten structurele respons en de respons voorspeld door de gezonde tweeling. Dit signaal kwantificeert de fysieke discrepantie tussen het werkelijke object en het gezonde model.
4. Residual-Augmented Feature Vector & KPCA: Een feature vector wordt geconstrueerd die spectrale descriptoren (centroid, bandbreedte, energie) combineert met de twin-innovatie. Deze features worden geanalyseerd met behulp van Kernel Principal Component Analysis (KPCA) om twee monitoringindices te genereren:
   • $T^2$ (Hotelling-statistiek): Meet variatie binnen de geleerde feature-manifold.
   • SPE (Squared Prediction Error): Meet novelty buiten de manifold.
5. Persistent Decision Rule: Om te voorkomen dat geïsoleerde statistische uitschieters valse alarmen triggeren, gebruikt het framework een gating-mechanisme. Een rauw alarm wordt pas gegenereerd als de innovatie-index (fysieke discrepantie) zijn limiet overschrijdt en wordt gecorroboreerd door KPCA-novelty ($T^2$ of SPE). Dit rauwe alarm moet een gedefinieerd aantal opeenvolgende vensters ($p$) aanhouden om een definitief signaal voor een structurele anomalie te triggeren.

Belangrijkste Bijdragen
De primaire bijdrage van dit werk is de integratie van een fysisch geïnformeerde tweeling, eigen-compressed dynamica, twin-innovatie features en KPCA-monitoring in één enkel anomalie-inferentie framework. In tegen naar tegenstelling tot methoden die uitsluitend vertrouwen op data-gedreven novelty, dwingt SPECTRA een beslissingsstructuur af waarbij statistische novelty dient als corroborerende bewijslast, maar de uiteindelijke beslissing wordt gegate door fysieke inconsistentie met een gezond model.

Het artikel valideert dit framework via zeven numerieke benchmarks die specifere faalmodi en verwarrende factoren testen:

• Nietlineaire Drift: Een vloeiende Duffing-type nietlineaire drift om specificiteit tegen banale nietlineariteit te testen.
• Abrupte Stijfheidsverlies: Een plotselinge reductie van 30% in stijfheid.
• Geleidelijke Degradatie: Een lineaire ramp van stijfheidsverlies over tijd.
• Breathing Stiffness: Een bilater, niet-smooth stijfheidsmechanisme dat een "ademende" scheur simuleert.
• EOV-Confounded Damage: Lokale stijfheidsverlies die gelijktijdig optreedt met temperatuur-gestuurde globale stijfheidsveranderingen.
• Damping Loss: Een 82% verlies van lokale demping, een mechanisme dat vaak onzichtbaar is voor frequentie-gebaseerde methoden.
• Operational-Only Negative Control: Een scenario met veranderende temperatuur en belasting, maar zonder structurele schade.

Resultaten
De numerieke resultaten demonstreren dat SPECTRA succesvol abrupte, geleidelijke, nietlineaire en demping-gerelateerde schade mechanismen detecteert met eindige detectievertragingen, terwijl een hoge specificiteit behouden blijft:

• Schadedetectie: Het framework detecteerde alle schadegevallen (stijfheidsverlies, ademende scheuren, dempingsverlies) met nul pre-schade persistente valse alarmen. De detectievertraging werd bepaald door de lengte van het monitoringvenster en de persistentievereiste, niet door drempelwaarde-instelling.
• Specificiteit in Negative Control: In het geval van de operational-only negative control steeg de KPCA SPE-index boven de bovenste controlelimiet door de verandering in het operationele regime. Echter, omdat de fysisch geïnformeerde tweeling (gecompenseerd voor temperatuur) de gemeten respons bleef verklaren, bleef de innovatie-index binnen de limieten. Bijgevolge bleef de persistente beslissingsvlag op nul. Dit bevestigt dat SPECTRA kan onderscheiden tussen feature-space novelty (veroorzaakt door EOV) en structurele anomalie.
• Dempingsgevoeligheid: In het geval van damping loss, waarbij frequentie-gebaseerde features (centroid) stationair bleven, leverde het innovatiekanaal het beslissende signaal, wat de capaciteit van het framework aantoont om fouten te detecteren die zich niet manifesteren als frequentieverschuivingen.
• EOV Robuustheid: In het confounded damage geval slaagde het framework erin globale stijfheidsveranderingen toe te schrijven aan temperatuurcompensatie, terwijl het lokale schade isoleerde en signaleerde.

Betekenis en Claims
Het artikel claimt dat SPECTRA een reproduceerbare route biedt voor het testen van fysisch geïnformeerde anomalie-inferentie vóór implementatie. De betekenis ligt in de verschuiving van het paradigma van "statistische novelty detectie" naar "fysieke ruimte discrepantie-inferentie". De auteurs stellen dat een structurele anomalie niet louter uit statistische novelty geïnferreerd mag worden; het moet eerder geïnterpreteerd worden als een persistente discrepantie tussen de gemeten respons en een gezonde, fysisch geïnformeerde tweeling.

De studie erkent expliciet beperkingen: de benchmarks gebruiken geïdealiseerde tweelingen met exacte referentiematrices en gecontroleerde excitatie, wat betekent dat de absolute magnitudes van de innovatiesignalen optimistischer zijn vergeleken met veldimplementaties waar model-fitting fouten voorkomen. Daarnaast is de studie beperkt tot numerieke shear-building modellen. De auteurs stellen echter dat de kernbijdrage de gated decision logic is, die geldig blijft zelfs als de tweeling vanuit data is gefit, mits de fysisch geïnformeerde structuur behouden blijft. Het framework biedt een technisch interpreteerbare route van gemeten respons naar een anomalie-beslissing, wat bijdraagt aan de transitie naar veerkrachtig, real-time infrastructuurbeheer.