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

Resumo Técnico: SPECTRA – Um Gêmeo Digital Baseado em Física para Inferência de Anomalias Estruturais em Tempo Real

Definição do Problema
O monitoramento da integridade estrutural (SHM) está transitando da simples detecção de danos para o suporte à decisão em tempo real para infraestruturas críticas. Um desafio persistente neste domínio é distinguir anomalias estruturais reais de variabilidades benignas ambientais e operacionais (EOV), como flutuações de temperatura, cargas de tráfego e vento. Os métodos clássicos de SHM frequentemente dependem de reconhecimento de padrões estatísticos, onde desvios de uma condição de referência disparam alertas. No entanto, conforme demonstrado por estudos como o da ponte Z24, efeitos ambientais podem induzir mudanças modais comparáveis ou maiores do que as causadas por danos. Consequentemente, detectores de novidade puramente estatísticos frequentemente geram alarmes falsos quando as condições operacionais mudam, prejudicando sua utilidade para a gestão de segurança crítica. Além disso, os métodos existentes muitas vezes carecem de interpretabilidade física, tornando difícil para engenheiros confiarem em decisões automatizadas.

Metodologia: O Framework SPECTRA
O artigo apresenta o SPECTRA (Self-adaptive Physics-informed Eigen-Compressed Twin for Real-time Anomaly inference), um framework projetado para inferir anomalias baseando-se no desacordo entre as respostas medidas e um gêmeo digital "saudável" baseado em física, em vez de apenas novidade estatística. O fluxo de trabalho consiste em cinco componentes integrados:

1. Gêmeo Saudável Baseado em Física: Um modelo de referência representando o comportamento esperado não danificado da estrutura. Crucialmente, este gêmeo incorpora compensação ambiental (ex: multiplicadores de rigidez dependentes da temperatura) para contabilizar variações globais benignas, garantindo que mudanças devidas a EOV não sejam interpretadas erroneamente como dano.
2. Representação Dinâmica de Compressão de Autovalores (Eigen-Compressed): A resposta do sistema é projetada em uma base reduzida de modos dominantes. Isso permite uma inferência eficiente em tempo real, mantendo o comportamento dinâmico essencial da estrutura.
3. Sinal de Inovação do Gêmeo: A métrica central é a "inovação", definida como a diferença entre a resposta estrutural medida e a resposta prevista pelo gêmeo saudável. Este sinal quantifica o desacordo físico entre o ativo real e o modelo saudável.
4. Vetor de Características Aumentado por Resíduos & KPCA: Um vetor de características é construído combinando descritores espectrais (centroide, largura de banda, energia) e a inovação do gêmeo. Estas características são analisadas usando Análise de Componentes Principais de Kernel (KPCA) para gerar dois índices de monitoramento:
   • $T^2$ (estatística de Hotelling): Mede a variação dentro do manifold de características aprendido.
   • SPE (Erro de Predição Quadrática): Mede a novidade fora do manifold.
5. Regra de Decisão Persistente: Para evitar que excursões estatísticas isoladas disparem alarmes falsos, o framework emprega um mecanismo de portão (gating). Um alarme bruto só é gerado se o índice de inovação (desacordo físico) exceder seu limite e for corroborado pela novidade do KPCA ($T^2$ ou SPE). Este alarme bruto deve persistir por um número definido de janelas consecutivas ($p$) para disparar uma flag final de anomalia estrutural.

Principais Contribuições
A principal contribuição deste trabalho é a integração de um gêmeo baseado em física, dinâmica de compressão de autovalores, características de inovação do gêmeo e monitoramento por KPCA em um único framework de inferência de anomalia. Diferente de métodos que dependem exclusivamente de novidade baseada em dados, o SPECTRA impõe uma estrutura de decisão onde a novidade estatística serve como evidência corroborativa, mas a decisão final é filtrada pelo desacordo físico com um modelo saudável.

O artigo valida este framework através de sete benchmarks numéricos projetados para testar modos de falha específicos e fatores de confusão:

• Drift Não Linear: Um drift não linear do tipo Duffing suave para testar a especificidade contra não linearidade benigna.
• Perda Abrupta de Rigidez: Uma redução súbita de 30% na rigidez.
• Degradação Gradual: Uma rampa linear de perda de rigidez ao longo do tempo.
• Rigidez de Respiração (Breathing Stiffness): Um mecanismo de rigidez bilinear e não suave, simulando uma rachadura de "respiração".
• Dano Confundido por EOV: Perda de rigidez local ocorrendo simultaneamente com mudanças de rigidez global induzidas pela temperatura.
• Perda de Amortecimento: Uma perda de 82% de amortecimento local, um mecanismo frequentemente invisível para métodos baseados em frequência.
• Controle Negativo de Operação Apenas: Um cenário com mudança de temperatura e carga, mas sem dano estrutural.

Resultos
Os resultados numéricos demonstram que o SPECTRA detecta com sucesso mecanismos de dano abruptos, graduais, não lineares e relacionados ao amortecimento com atrasos de detecção finitos, mantendo alta especificidade:

• Detecção de Dano: O framework detectou todos os casos de dano (perda de rigidez, rachaduras de respiração, perda de amortecimento) com zero alarmes falsos persistentes pré-dano. O atraso de detecção foi determinado pelo comprimento da janela de monitoramento e pelo requisito de persistência, não pelo ajuste de limiar (threshold).
• Especificidade no Controle Negativo: No caso de controle negativo de operação apenas, o índice SPE do KPCA subiu acima de seu limite superior devido à mudança no regime operacional. No entanto, como o gêmeo baseado em física (compensado para temperatura) continuou a explicar a resposta medida, a inovação permaneceu dentro dos limites. Consequentemente, a flag de decisão persistente permaneceu em zero. Isso confirma que o SPECTRA pode distinguir entre novidade no espaço de características (causada por EOV) e anomalia estrutural.
• Sensibilidade ao Amortecimento: No caso de perda de amortecimento, onde as características baseadas em frequência (centroide) permaneceram estacionárias, o canal de inovação forneceu o sinal decisivo, demonstrando a capacidade do framework de detectar falhas que não se manifestam como mudanças de frequência.
• Robustez a EOV: No caso de dano confundido, o framework atribuiu com sucesso as mudanças globais de rigidez à compensação de temperatura, enquanto isolou e sinalizou o dano local.

Significância e Alegações
O artigo alega que o SPECTRA fornece uma rota reproduzível para testar a inferência de anomalia baseada em física antes da implementação. Sua significância reside na mudança do paradigma de "detecção de novidade estatística" para "inferência de desacordo no espaço físico". Os autores argumentam que uma anomalia estrutural não deve ser inferida apenas pela novidade estatística; em vez disso, ela deve ser interpretada como um desacordo persistente entre a resposta medida e um gêmeo saudável baseado em física.

O estudo reconhece explicitamente limitações: os benchmarks utilizam gêmeos idealizados com matrizes de referência exatas e excitações controladas, o que significa que as magnitudes absolutas dos sinais de inovação são otimistas em comparação com implementações de campo onde existem erros de ajuste de modelo. Além disso, o estudo é limitado a modelos numéricos de edifícios de cisalhamento (shear-buildings). No entanto, os autores afirmam que a contribuição central é a lógica de decisão por portão, que permanece válida mesmo se o gêmeo for ajustado a partir de dados, desde que a estrutura baseada em física seja mantida. O framework oferece uma rota tecnicamente interpretável da resposta medida até a decisão de anomalia, apoiando a transição para uma gestão de infraestrutura resiliente e em tempo real.