Topological derivative for a fast identification of short, linear perfectly conducting cracks with inaccurate background information

Resumen Técnico: Derivada Topológica para la Identificación Rápida de Grietas Conductrices Perfectas con Información de Fondo Inexacta

1. Planteamiento del Problema
La identificación precisa y eficiente de defectos desconocidos mediante fenómenos de dispersión de microondas es crucial en aplicaciones como la prueba no destructiva, la monitorización de la salud estructural y la tecnología de radar. Sin embargo, los métodos de inversión iterativa (cuantitativa) suelen enfrentar problemas de no convergencia, atrapamiento en mínimos locales y altos costos computacionales, especialmente si no se dispone de una buena estimación inicial.

Por otro lado, las técnicas de inversión no iterativa (cualitativa), como las basadas en la derivada topológica, ofrecen una solución rápida para localizar objetos. No obstante, la efectividad de estos métodos depende críticamente del conocimiento exacto de las propiedades del material de fondo (permitividad $\varepsilon_b$ y permeabilidad $\mu_b$). En aplicaciones reales, estos parámetros varían con la frecuencia y la temperatura, lo que a menudo resulta en valores inexactos. El uso de parámetros de fondo incorrectos en la derivada topológica tradicional conduce a resultados de imagen erróneos, específicamente a una desplazamiento en la localización de las grietas, un fenómeno que carecía de una explicación matemática rigurosa hasta este estudio.

2. Metodología
El autor propone un enfoque basado en la derivada topológica para identificar un conjunto de grietas lineales cortas y perfectamente conductoras ($\Gamma_m$) incrustadas en un dominio homogéneo bidimensional ($\Omega$), incluso cuando los valores de permitividad y permeabilidad de fondo son desconocidos o inexactos.

• Funcional de Desajuste y Derivada Topológica: Se define un funcional de desajuste $E(\Omega)$ basado en la diferencia entre el campo total con grietas y la solución de fondo. Se introduce una derivada topológica $dT E(z)$ para detectar la presencia de una pequeña grieta en un punto $z$.
• Función de Imagen Normalizada: Dado que la constante de onda de fondo real $k$ es desconocida, se utiliza una constante de onda de fondo alternativa $k_a$ (basada en parámetros inexactos $\varepsilon_a, \mu_a$). Se propone una función de imagen normalizada:
  $$F(z; k_a) = \frac{|dT E(z; k_a)|}{\max_{z \in \Omega}|dT E(z; k_a)|}$$
• Análisis Asintótico: Utilizando la expansión asintótica de la solución de la ecuación de onda en presencia de grietas pequeñas y la función de Neumann, el autor deriva una representación teórica de la función de imagen.
• Resultado Teórico Clave: Se demuestra que, para un número suficiente de direcciones de incidencia, la función de imagen $F(z; k_a)$ se aproxima a una expresión que involucra la función de Bessel de orden cero de primera especie ($J_0$):
  $$F(z; k_a) \approx \frac{|\Phi(z)|}{\max |\Phi(z)|}, \quad \text{donde} \quad \Phi(z) = \sum_{m=1}^{M} \frac{J_0(|k x_m - k_a z|)}{\ln(\ell_m/2)}$$
  Aquí, $x_m$ es el centro real de la grieta, $\ell_m$ su longitud, $k$ la constante de onda real y $k_a$ la constante de onda aplicada (inexacta).

3. Contribuciones Clave

• Explicación Matemática del Desplazamiento: El trabajo proporciona la primera justificación teórica rigurosa de por qué la localización de las grietas se desplaza cuando se utilizan parámetros de fondo inexactos. Se demuestra que el pico de la función de imagen no ocurre en la posición real $x_m$, sino en una posición desplazada $z = (k/k_a)x_m$.
• Relación con la Función de Bessel: Se establece explícitamente que la estructura de la imagen de la derivada topológica está gobernada por la función de Bessel $J_0$, lo que explica la forma de los picos de imagen y su dependencia de la relación entre las constantes de onda real y aplicada.
• Análisis de la Inexactitud de Parámetros:
  • Si $\varepsilon_a > \varepsilon_b$ (permitividad aplicada mayor que la real), la grieta recuperada aparece más cerca del origen y más corta que la real.
  • Si $\varepsilon_a < \varepsilon_b$, la grieta recuperada aparece más lejos del origen y más larga.
  • Si el centro de la grieta está en el origen, la localización es precisa independientemente del valor de $\varepsilon_a$.
• Función Normalizada: Se introduce una función normalizada que permite reconocer la existencia de las grietas incluso con parámetros inexactos, aunque la localización exacta siga siendo errónea.

4. Resultados Numéricos
Se realizaron simulaciones numéricas con datos sintéticos contaminados por ruido gaussiano (20 dB) para validar la teoría:

• Caso de una grieta en el origen: La función de imagen muestra un pico máximo en el centro $(0,0)$ independientemente del valor de $\varepsilon_a$ utilizado, confirmando la teoría.
• Caso de múltiples grietas desplazadas: Se observó que las grietas recuperadas se desplazan radialmente desde su posición real.
  • Con $\varepsilon_a > \varepsilon_b$, las grietas se "encogen" hacia el origen.
  • Con $\varepsilon_a < \varepsilon_b$, las grietas se "expanden" alejándose del origen.
• Dificultad de Distinción: Cuando la discrepancia entre $\varepsilon_a$ y $\varepsilon_b$ es grande (ej. $\varepsilon_a \geq 1.5\varepsilon_b$), se vuelve difícil distinguir las grietas reales de los artefactos en la imagen, y la resolución de la forma y posición se degrada significativamente.
• Longitud de las grietas: La magnitud de la función de imagen depende inversamente del logaritmo de la longitud de la grieta, lo que permite inferir que las grietas más cortas producen señales más débiles.

5. Significado e Impacto
Este estudio es fundamental para la aplicación práctica de técnicas de imagen de microondas en entornos donde los parámetros del material no son estáticos o conocidos con precisión (como en la inspección de tejidos biológicos o estructuras industriales bajo variaciones térmicas).

• Viabilidad de Detección: Confirma que es posible detectar la presencia de grietas cortas incluso con información de fondo imperfecta, lo cual es un primer paso crítico antes de aplicar métodos iterativos más costosos.
• Comprensión de Limitaciones: Proporciona a los ingenieros una comprensión clara de cómo los errores en los parámetros de entrada afectan la reconstrucción (desplazamiento y distorsión de tamaño), permitiendo interpretar correctamente los resultados de imagen.
• Dirección Futura: El trabajo sugiere que el desarrollo de algoritmos para recuperar los valores exactos de la permitividad y permeabilidad de fondo es el siguiente paso necesario para lograr una reconstrucción precisa de la ubicación y forma de las grietas. Además, abre la puerta a la extensión de estos métodos a problemas tridimensionales y aplicaciones del mundo real.