Local Information Operators for Spatial Identifiability in Distributed-Parameter Inverse Problems in Computational Mechanics

Resumo Técnico: Operadores de Informação Local para Identificabilidade Espacial em Problemas Inversos de Parâmetros Distribuídos

Enunciação do Problema
Na mecânica computacional, problemas inversos de parâmetros distribuídos envolvem a inferência de campos espacialmente variáveis (por exemplo, rigidez, dano, corrosão) a partir de observações ruidosas, indiretas e heterogêneas. Um desafio crítico nestes problemas não é apenas encontrar um campo que se ajuste aos dados, mas determinar quais padrões de perturbação espacial do campo são distinguíveis sob um programa específico de sensoriamento e excitação. Critérios de projeto escalares clássicos (por exemplo, traço, determinante, entropia) e medidas de informação diagonais frequentemente comprimem a geometria da informação em números únicos, falhando em revelar se novas observações preenchem lacunas de informação, reforçam padrões existentes ou deixam direções fracas inalteradas. Além disso, a dependência dos campos inferidos em relação à geometria de sensoriamento, à riqueza da excitação e à parametrização é intrínseca à natureza mal-posta da inferência indireta de campos.

Metodologia
O artigo propõe um framework de operador de informação local para abordar a identificabilidade espacial. A metodologia central envolve linearizar o mapa de parâmetro-para-observação em torno de um campo de parâmetro nominal ($m_0$) e interpretar a contribuição da verossimilhança para a precisão posterior como um operador atuando sobre perturbações do campo de parâmetro.

1. Definição do Operador de Informação Local: Para modelos gaussianos localmente linearizados com covariância independente do parâmetro, o operador é definido como $I(m_0; \Xi) = J(m_0; \Xi)^\top R^{-1} J(m_0; \Xi)$, onde $J$ é o Jacobiano do mapa de observação e $R$ é a covariância do ruído. Demonstra-se que este operador é equivalente a:

   • A Matriz de Informação de Fisher da verossimilhança gaussiana local.
   • O Hessian de Gauss–Newton do funcional de discrepância dos dados.
   • Um Gramiano de sensibilidade parâmetro-saída ponderado pelo ruído.

2. Distinção entre Visibilidade e Identificabilidade: O framework separa a visibilidade pontual da identificabilidade espacial:

   • A diagonal do operador fornece uma densidade de informação local dependente de coordenadas, visualizando onde perturbações localizadas são mais visíveis.
   • O núcleo completo e seus espectros pré-condicionados por métrica ou prioridade classificam padrões espaciais, identificando aqueles que são fortemente visíveis, fracamente visíveis ou localmente invisíveis (modos nulos). Isso captura o acoplamento espacial, cancelamento e confusão entre perturbações em diferentes localizações.

3. Tratamento de Heterogeneidade e Complexidade:

   • Aditividade: Blocos de observação independentes contribuem aditivamente para o operador de informação ($I_{tot} = \sum J_b^\top R_b^{-1} J_b$), enquanto erros correlacionados exigem a covariância conjunta completa.
   • Modos Relativos à Prioridade: Ao resolver o problema de autovalor generalizado $I\phi_i = \lambda_i^{pr} Q_{pr}\phi_i$ (onde $Q_{pr}$ é a precisão da prioridade), o framework identifica "subespaços informados pela verossimilhança" (LIS). Esses modos representam padrões de campo de parâmetro que são tanto plausíveis pela prioridade quanto fortemente distinguidos pelos dados.
   • Discrepância e Parâmetros de Incômodo: A discrepância do modelo é tratada via inflação de covariância ($R_{eff} = R + C_\delta$), enquanto parâmetros de incômodo (por exemplo, amplitudes de carga, condições de contorno) são abordados via perda de informação pelo complemento de Schur, o que pode rotacionar o subespaço identificável e remover seletivamente informação de direções confundidas com efeitos de parâmetros de incômodo.

4. Implementação Computacional: O framework utiliza ações de operador livres de matriz ($v \mapsto J^\top R^{-1} J v$), permitindo a extração de modos de informação dominantes e ganhos em direções fracas sem montar explicitamente a matriz de informação completa. Isso torna a abordagem escalável para grandes modelos de elementos finitos e restritos por EDPs.

Contribuições Principais
O artigo faz quatro contribuições principais:

1. Formulação: Estabelece um framework de operador de informação local orientado à mecânica que liga explicitamente informação de Fisher, curvatura de Gauss–Newton, análise de sensibilidade e observabilidade de parâmetros para sistemas de parâmetros distribuídos.
2. Distinção Diagnóstica: Distingue visibilidade pontual (densidade diagonal) da identificabilidade espacial em nível de operador (núcleo completo e modos pré-condicionados), demonstrando que critérios escalares não podem capturar totalmente a geometria dos subespaços de parâmetros informados.
3. Tratamento Unificado de Heterogeneidade: Fornece um tratamento algébrico unificado para sistemas de observação heterogêneos, esclarecendo condições para informação aditiva, o impacto de erros correlacionados e os efeitos geométricos da discrepância do modelo e de parâmetros de incômodo.
4. Exemplos Ilustrativos: Valida o framework através de exemplos analíticos e computacionais, incluindo núcleos de viga em forma fechada, acoplamento de suporte de dois vãos, fusão de dados estáticos-dinâmicos e reconstrução de campo de dano bidimensional.

Resultados e Exemplos
O artigo demonstra o framework através de vários estudos de caso:

• Viga Simplesmente Apoiada: Uma derivação analítica do núcleo de informação para uma carga pontual móvel e sensor de rotação revela que a densidade de informação pontual é assimétrica e depende da localização do sensor. O núcleo completo mostra como perturbações de rigidez se reforçam ou cancelam mutuamente, e os autovetores exibem decaimento espectral rápido, indicando informação efetiva de baixa dimensão.
• Viga Contínua de Dois Vãos: A análise mostra como apoios internos redistribuem momentos fletores, criando pegadas de sensibilidade complexas dependentes do sensor e acoplamento espacial entre vãos que não podem ser capturados apenas por medidas diagonais.
• Fusão Estática-Dinâmica: Um benchmark em uma viga danificada compara testes de carga móvel estática com testes de resposta em frequência dinâmica (FRF). Os resultados mostram que, enquanto dados estáticos fornecem sensibilidade integral ampla, dados dinâmicos oferecem localização mais precisa. O operador fundido demonstra como os dois tipos de dados se complementam, com a reconstrução híbrida alcançando identificação de rigidez mais profunda e localizada do que qualquer método isolado.
• Reconstrução de Dano 2D: Em um problema contínuo bidimensional, os modos de informação líderes definem um subespaço de reconstrução reduzido. Restringir a atualização inversa aos 8 modos superiores permite a recuperação da localização e extensão dominantes do dano, suprimindo padrões sensíveis ao ruído e não identificáveis.

Significância e Escopo
O artigo afirma que a identificabilidade espacial na mecânica de parâmetros distribuídos é fundamentalmente uma propriedade em nível de operador. A principal significância reside em tornar explícita a distinção entre visibilidade em nível de coordenada e identificabilidade em nível de padrão. Esta perspectiva apoia a interpretação da complementaridade de sensores, a identificação de direções fracas para o projeto experimental e a construção de reconstruções de ordem reduzida.

O framework é local ao campo nominal, ao modelo de covariância e à métrica escolhida. É independente do modelo de mecânica específico ou do tipo de observação, desde que o Jacobiano local e a covariância sejam especificados. Os autores observam que, embora o framework esclareça a distinguibilidade local de primeira ordem, ele não garante unicidade global; para regimes fortemente não lineares, ferramentas complementares como inversão não linear ou amostragem posterior permanecem necessárias. O trabalho serve como uma camada diagnóstica para modelos de mecânica em grande escala, oferecendo uma linguagem geométrica rigorosa para avaliar o que pode e o que não pode ser inferido a partir de um programa experimental dado.