본 논문은 새로운 조건부 레이블 생성적 적대 신경망(conditional-labeled generative adversarial network) 방법론을 활용한 최적화 기반 손상 감지 및 손상 상태 디지털 트윈 기술을 연구한다. 이 프레임워크는 시스템의 상태에 대한 사전 정보 없이도 고장 이상 감지에 탁월하며, 특히 제한된 측정값, 물리적 지식 부족, 또는 손상 상태 불확실성으로 인해 기존의 인공지능 기반 디지털 트윈 기술이 겪는 어려움을 해결한다. 스위스의 Z24 교량의 벤치마크 구조 건전성 모니터링 데이터를 활용하여, 동일한 손상 수준의 데이터를 입력으로 사용하고, 모델이 두 가지 다른 손상 상태로 조건부 수렴하도록 유도한다. 이후, 수렴 점수를 비교하여 서로 다른 손상 상태를 식별한다. 건강한 상태에서 건강한 상태로, 또는 손상된 상태에서 건강한 상태로의 입력 데이터를 통해 다양한 손상 상태의 디지털 트윈 측정을 생성하고, 패턴 인식 및 기계 학습 데이터 생성을 수행한다. 추가적으로, 생성된 데이터와 실제 데이터를 평가하기 위해 SVM 분류기 및 PCA 절차를 개발하여 손상 시나리오에서 새로운 동적 학습 지표로 활용한다.
