Resumo Técnico: Resiliência Sísmica Ciber-Física no Peru

Definição do Problema

O Peru enfrenta uma vulnerabilidade sísmica crítica devido à sua localização na convergência das placas tectônicas de Nazca e Sul-Americana, evidenciada por eventos históricos como os terremotos de Pisco (Mw 8.0) em 2007 e Ancash (Mw 7.9) em 1970. Apesar deste alto perigo, o setor da construção peruano permanece limitado por metodologias de projeto prescritivas (NTP E.030/E.090) que carecem de estruturas de Engenharia Sísmica Baseada em Desempenho (PBEE). Embora a Madeira Laminada Cruzada (CLT) e a alvenaria confinada ofereçam potencial para a resiliência sísmica, sua implementação no Peru é dificultada pela falta de monitoramento em tempo real, bases de dados experimentais e provisões regulatórias. Além disso, a transição para a PBEE é computacionalmente proibitiva devido à dependência de análises de histórico temporal não lineares (NLTHA) dispendiosas, e há uma lacuna significativa na integração de Gêmeos Digitais (DT) e Aprendizado de Máquina (ML) para reduzir a incerteza epistêmica na estimativa de perdas.

Metodologia

O estudo emprega uma Revisão Sistemática da Literatura seguindo diretrizes padronizadas de síntese de pesquisa em engenharia. O processo envolveu quatro fases:

1. Identificação: Uma busca booleana no Scopus e Web of Science resultou em 412 registros utilizando termos relacionados a Gêmeos Digitais, Aprendizado de Máquina, CLT, Alvenaria e Sísmica/PBEE.
2. Triagem e Elegibilidade: Após a remoção de duplicatas e revisão de títulos/resumos, 84 registros foram avaliados.
3. Inclusão: 38 estudos de alto impacto foram selecionados para extração de dados, focando em aplicações de DT/ML em engenharia estrutural com foco sísmico em CLT ou alvenaria.

O artigo sintetiza essas descobertas para comparar práticas globais (EUA, Japão) com a realidade peruana e propõe uma estrutura de PBEE modernizada e inovadora. Esta estrutura integra uma arquitetura de Gêmeo Digital de Fase de Construção (CP-DT) que faz a ponte entre o Modelagem de Informação da Construção (BIM) e o Monitoramento da Integridade Estrutural (SHM) operacional.

Principais Contribuições e Estrutura Proposta

O artigo introduz uma estrutura de PBEE modernizada e adaptada para o Peru, centrada no CP-DT e em quatro inovações técnicas específicas:

1. EAL (Perda Anual Esperada) Aprimorada por ML:
   O integral de perda padrão FEMA P-58 é aumentado com um fator de redução de incerteza derivado de ML, $\alpha_{ML}$ (onde $\alpha_{ML} \in (0, 1]$). À medida que o Gêmeo Digital acumula dados de sensores, $\alpha_{ML}$ é continuamente calibrado por um modelo Random Forest, reduzindo a incerteza epistêmica e diminuindo o EAL estimado de seu baseline inflado.

   • Fórmula: $EAL_{DT} = \int_0^\infty [\sum P(DS_j | EDP) \cdot C_j] \cdot \alpha_{ML} \cdot d\lambda(IM)$

2. Formulação Cinemática para Paredes de Oscilação (Rocking Walls) de CLT:
   Uma formulação de momento de restauração para paredes de oscilação de CLT com pós-tensionamento (PT) e dissipadores de energia é atualizada via DT. O DT utiliza regressão de ML em dados de extensômetros para atualizar a perda de pós-tensionamento a longo prazo ($T_{pt,0}$) e as forças de escoamento afetadas pela fadiga ($F_{hd,y}$), garantindo que o modelo reflita a realidade física "como construída".

3. Índice de Dano Baseado em Frequência ($DI_{CLT}$):
   Um índice de dano estrutural global é computado usando dados de vibração ambiente do DT. Ele compara frequências naturais derivadas de Identificação de Subespaço Estocástico (SSI) contra frequências teóricas do BIM.

   • Fórmula: $DI_{CLT} = 1 - \frac{1}{N} \sum_{i=1}^N (\frac{f^n_{DT,i}}{f^n_{BIM,i}})^2 \cdot w_i$
   • Escala: 0 indica sem danos; aproximando-se de 1 indica degradação severa.

4. Surrogate de Random Forest para Predição Rápida:
   Para contornar o custo computacional da NLTHA completa, um modelo substituto (surrogate) de Random Forest (RF) mapeia parâmetros sísmicos e estruturais (ex: aceleração espectral, período, razão de massa) para a Máxima Razão de Drift de Pavimento (MIDR). O modelo é treinado em um banco de dados sintético de mais de 5.000 registros de NLTHA específicos para as condições de perigo do Peru.

Resultados

• Maturidade Comparativa: Uma matriz comparativa destaca que, enquanto os EUA e o Japão possuem integração avançada de PBEE, estimativa de perda em tempo real e extensas bases de dados experimentais, o Peru atualmente depende de códigos prescritivos básicos, sem implementação de PBEE ou DT em madeira/alvenaria.
• Desempenho do Modelo: O modelo substituto de Random Forest proposto alcançou um coeficiente de determinação $R^2 > 0.94$ em validação cruzada para a predição de MIDR, demonstrando alta fidelidade na predição da demanda estrutural.
• Redução de Incerteza: A integração de DT e ML é projetada para reduzir a incerteza epistêmica na estimação de perdas sísmicas em até 35%.
• Roteiro de Implementação: O artigo delineia um roteiro de quatro fases para o Peru:
  • Fase 1 (Anos 1–2): Estabelecer um Banco de Dados Sísmico de CLT Peruano (50+ testes cíclicos, 5.000+ registros de NLTHA).
  • Fase 2 (Anos 2–3): Implantar um piloto de CP-DT em um edifício de CLT de 6 pavimentos em Lima com sensores MEMS embutidos.
  • Fase 3 (Anos 3–5): Estender o CP-DT para alvenaria confinada e desenvolver uma plataforma de código aberto compatível com ETABS e OpenSees.
  • Fase 4 (Ano 5+): Informar revisões regulatórias (NTP E.030/E.090) com provisões baseadas em desempenho.

Significância e Alegações

O artigo afirma que a integração de Gêmeos Digitais e Aprendizado de Máquina na PBEE para CLT e alvenaria é um objetivo praticamente alcançável com benefícios imediatos para a redução do risco sísmico no Peru. Sua principal significância reside em:

1. Preenchimento da Lacuna: Fornecer uma análise de lacuna quantificada e uma estratégia concreta de transferência de tecnologia de mercados maduros (EUA/Japão) para o contexto peruano.
2. Modernização Regulatória: Oferecer uma base técnica para atualizar as regulamentações peruanas (NTP E.030/E.090) para incluir design baseado em desempenho e requisitos de monitoramento digital.
3. Eficiência Econômica: Demonstrar que a redução da incerteza epistêmica através da integração DT-ML leva a decisões de investimento mais precisas e informadas pelo risco, o que é crítico para uma nação com alta vulnerabilidade sísmica e recursos limitados.
4. Calibração de Ciclo de Vida: Estabelecer uma arquitetura de CP-DT que garante que o modelo digital seja calibrado com a realidade física desde as etapas de fabricação e montagem, em vez de depender apenas de suposições pós-construção.

O estudo conclui que esta abordagem transforma o paradigma da conformidade prescritiva para a resiliência baseada em desempenho, abordando diretamente os desafios dos materiais locais, práticas de construção e restrições econômicas no Peru.