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

Resumo Técnico: Gêmeo Digital Responsivo a Perigos para Resiliência Urbana e Equidade Impulsionadas pelo Clima

Declaração do Problema
O artigo aborda a crescente complexidade dos desastres relacionados ao clima, que são cada vez mais caracterizados por perigos compostos (por exemplo, incêndios florestais causando interrupções de energia que exacerbam ondas de calor) em vez de eventos isolados. As avaliações de risco tradicionais e as tecnologias existentes de Gêmeo Digital (GD) frequentemente falham nesses cenários devido à sua dependência de conectividade estável, conjuntos de dados completos e pressupostos determinísticos. Os GDs atuais são tipicamente fragmentados, focando em ativos únicos ou perigos isolados, e carecem da capacidade de integrar modelagem física com considerações de equidade social sob condições de interrupção de dados e falhas em cascata de infraestrutura. Há uma necessidade crítica de um quadro de referência que possa operar de forma adaptativa sob incerteza, fundir fluxos de dados heterogêneos (incluindo quando sensores falham) e contabilizar explicitamente a vulnerabilidade social no planejamento de resiliência.

Metodologia
Os autores propõem o Gêmeo Digital Responsivo a Perigos (H-RDT), um quadro unificador estruturado como um ecossistema ciber-físico de três camadas:

1. Camada Física: Representa entidades do mundo real (edifícios, populações, infraestrutura) instrumentadas com sensores distribuídos (IoT, VANTs, satélites) e suplementadas por dados de crowdsourcing quando redes formais se degradam.
2. Camada de Inteligência Digital: O núcleo computacional utiliza uma abordagem híbrida:
   • Redes Neurais Informadas pela Física (PINNs): Esses modelos incorporam leis físicas governantes (por exemplo, modelos térmicos 2R2C, equações de advecção-difusão para fumaça, leis de evolução de danos) ao aprendizado de máquina para garantir que as previsões permaneçam consistentes com princípios termodinâmicos e estruturais, mesmo com dados esparsos.
   • Fusão de Aprendizado por Reforço (RL): Um módulo adaptativo repondera dinamicamente as fontes de dados (IoT, VANT, Satélite) com base na confiabilidade e atualidade, permitindo que o sistema mantenha a consciência situacional durante interrupções de sensores.
   • Aprendizado por Reforço em Grafos (GRL): Este módulo modela interdependências em evolução entre ativos comunitários, identificando nós críticos e caminhos de suporte latentes (por exemplo, escolas atuando como abrigos) sob estresse.
3. Camada de Decisão: Visualiza previsões probabilísticas e integra métricas de Risco Ajustado à Equidade. Esta formulação combina a exposição ao perigo físico com sensibilidade socioeconômica e vulnerabilidade física para gerar índices de risco que destacam disparidades em clusters de alta vulnerabilidade (por exemplo, habitação de baixa renda, clínicas).

O quadro de referência também inclui um módulo de Modelagem de Socorro e Intervenção que simula estratégias (por exemplo, microrredes, centros de resfriamento) para quantificar seu impacto no risco ponderado pela população, risco de cauda (percentil 95) e horas de superaquecimento.

Estudo de Caso e Resultados
O H-RDT foi avaliado em um distrito urbano sintético compreendendo 120 edifícios com arquétipos diversos (escolas, clínicas, habitações) sob um cenário simulado de 72 horas de perigo composto: incêndio florestal–interrupção de energia–onda de calor. As principais descobertas incluem:

• Desempenho da PINN: O modelo PINN previu com precisão as trajetórias de temperatura interna (atingindo picos de ~31–33°C durante interrupções) com um RMSE geral de 1,93°C. Demonstrou robustez, mantendo estabilidade e realismo físico mesmo quando sensores IoT experimentaram queda durante interrupções de energia.
• Fusão Adaptativa de Dados: O módulo de fusão baseado em RL deslocou com sucesso a dependência de sensores IoT falhos para fluxos de dados de VANT e satélite. Os pesos de fusão para IoT diminuíram de ~0,32 para ~0,22 durante interrupções, enquanto os pesos de VANT e satélite aumentaram, preservando a cobertura espaço-temporal.
• Resiliência da Rede: O módulo GRL identificou corredores de alta intermediação e instalações críticas conscientes da cobertura, reforçando efetivamente a espinha dorsal da rede para o fluxo de recursos durante o estresse.
• Equidade e Intervenções: A análise de risco ajustada à equidade revelou que clusters de alto risco (decis inferiores da população) suportaram um fardo desproporcional. Cinco estratégias de intervenção foram testadas:
  • Centros de Resfriamento Preemptivos (I1) e Expansão de Microrredes para Blocos Vulneráveis (I4) provaram ser mais eficazes, reduzindo o risco ponderado pela população em 11–13%, o risco de cauda em 7–17% e as horas de superaquecimento em 7–9%.
  • Abertura Reativa (I2) ofereceu benefícios moderados (~4% de redução de risco), enquanto a divulgação direcionada e microrredes prioritárias para clínicas proporcionaram melhorias menores e focadas (1–3%).
  • A análise da fronteira de Pareto indicou que microrredes distribuídas ofereceram a maior eficiência de custo, enquanto centros de resfriamento preemptivos forneceram flexibilidade operacional.

Principais Contribuições e Significado
O artigo afirma avançar o campo da resiliência urbana ao:

1. Quadro Unificador: Estabelecer uma base transferível que conecta modelagem de perigos físicos, descoberta de interdependência baseada em rede e raciocínio consciente da equidade dentro de um único quadro adaptativo.
2. Robustez sob Incerteza: Demonstrar que modelos híbridos de física-IA podem sustentar precisão preditiva e consistência física apesar da perda parcial de sensores e incompletude de dados, uma característica comum de cenários de desastres compostos.
3. Suporte à Decisão Centrado na Equidade: Ir além do monitoramento estático de ativos para fornecer métricas quantitativas de risco ajustadas à equidade que priorizam explicitamente populações vulneráveis e instalações críticas no planejamento de resiliência.
4. Insights Acionáveis: Fornecer uma metodologia para avaliar e priorizar intervenções (por exemplo, ativação antecipada de centros de resfriamento versus endurecimento de infraestrutura) com base em sua capacidade de reduzir tanto riscos médios quanto de cauda.

Os autores posicionam o H-RDT não meramente como uma ferramenta de diagnóstico, mas como um "colaborador cognitivo" que avança a resiliência urbana digital em direção a um suporte à decisão adaptativo, baseado em aprendizado e centrado na equidade para adaptação climática. O estudo reconhece que, embora a implementação atual utilize um distrito sintético e modelos térmicos simplificados, o quadro estabelece uma base escalável para implementação em cidades reais, aguardando validação futura com conjuntos de dados municipais e pilotos de campo.