Bubble2Heat: Optical to Thermal Inference in Pool Boiling Using Physics-encoded Generative AI

Resumen Técnico: Bubble2Heat: Inferencia Óptica a Térmica en la Ebullición en Punto Usando IA Generativa con Codificación Física

Planteamiento del Problema
La caracterización cuantitativa de la transferencia de calor multifásica en la ebullición en punto se ve obstaculizada por la dificultad de medir los campos de temperatura dentro de regímenes de flujo caóticos y de evolución rápida. Aunque la dinámica de fluidos computacional (CFD) puede proporcionar datos de alta resolución, replicar condiciones experimentales complejas sigue siendo prohibitivamente difícil. Por el contrario, los diagnósticos experimentales existentes (p. ej., arreglos de microcalentadores, termografía infrarroja, PLIF) suelen estar limitados por configuraciones delicadas, resolución espacial/temporal limitada o la incapacidad de proporcionar datos térmicos densos a nivel de campo adecuados para un modelado generalizado. Existe una necesidad crítica de un método para extraer información térmica rica a partir de mediciones fácilmente accesibles, como grabaciones ópticas de alta velocidad y datos de termopares puntuales, sin requerir técnicas de detección intrusivas o avanzadas.

Metodología
Los autores proponen un marco de aprendizaje profundo, denominado Bubble2Heat, que utiliza una Red Neuronal Adversaria Condicional con Codificación Física (PECGAN) para inferir campos de temperatura 2D a partir de imágenes ópticas segmentadas de alta velocidad y referencias de temperatura puntuales.

• Generación de Datos: El marco depende de un método de simulación híbrido de Lattice Boltzmann y Diferencia Finitas (LB-FD) para generar los datos de verdad de terreno (ground truth) para el entrenamiento. Este conjunto de datos consiste en mapas de contorno de fase emparejados (sólido, líquido, vapor) y campos de temperatura normalizados a través de 9 conjuntos de simulación distintos con variaciones en las configuraciones del calentador y las temperaturas.
• Preprocesamiento y Alineación:
  • Datos de Simulación: Los contornos de fase se derivan mediante el umbralizado de los campos de densidad. Los mapas de temperatura se normalizan en un número de Jakob modificado ($T^*$).
  • Datos Experimentales: Las imágenes de alta velocidad se procesan utilizando una Mask R-CNN preentrenada para la segmentación de instancias con el fin de aislar las regiones de vapor. Los mapas de temperatura de referencia se construyen manualmente a partir de lectraciones de termopares y se normalizan para coincidir con la escala de la simulación.
• Arquitectura del Modelo: La PECGAN emplea un generador tipo U-Net y un discriminador de alimentación hacia adelante (feedforward).
  • Entradas: El generador recibe una pila de mapas de contorno de fase (el actual y $p$ fotogramas pasados) y un mapa de temperatura de referencia ($T_{ref}$).
  • Objetivo de Entrenamiento: El generador minimiza una combinación ponderada de pérdida de temperatura ($L_T$), pérdida de gradiente ($L_{\nabla T}$) y pérdida adversaria ($L_{GAN}$). El discriminador es entrenado para distinguir pares de imágenes reales de las generadas.
  • Codificación Física: En lugar de codificar las ecuaciones gobernantes de forma rígida (como en las PINN), el modelo las codifica implícitamente a través de los datos de entrenamiento y del uso de entradas secuenciales (contexto temporal) para mantener la consistencia con la dinámica de las burbujas.
• Aumento de Datos: Para compensar la falta de restricciones físicas explícitas y mejorar la robustez, los autores aplican el espejado horizontal (invarianza de perspectiva) durante el entrenamiento. Esto evita que el modelo dependa de orientaciones de visualización fijas.

Contribuciones Clave

1. Desarrollo de un Marco de Trabajo: Un novedoso flujo de trabajo de aprendizaje profundo que cierra la breancia entre los fenómenos multifásicos observables (imágenes ópticas) y el transporte térmico subyacente (campos de temperatura) utilizando modelos generativos entrenados mediante simulación.
2. Inferencia con Codificación Física: Demostración de que una Red Neuronal Adversaria Condicional (CGAN) entrenada únicamente con datos de simulación puede aplicarse directamente a datos experimentales, siempre que los datos de entrada se preprocesen en un formato compartido (máscaras de fase + temperatura de referencia).
3. Estrategia de Contexto Temporal: Implementación de un esquema de inferencia de imagen-a-imagen de muchos-a-uno (usando una secuencia de contornos de fase pasados) para abordar problemas donde los contornos de las burbujas pueden desaparecer o volverse inestables debido a errores de cuantización o segmentación, mejorando así la consistencia temporal.
4. Aumento para la Plausibilidad Física: Validación de que las estrategias estándar de aumento de datos (p. ej., volteo de imagen) mejoran efectivamente la plausibilidad física de la inferencia y reducen el sesgo direccional, incluso en ausencia de restricciones físicas estrictas.

Resultados

• Desempeño de la Simulación: El modelo ($G_{p=3, T_{ref}}^+$) alcanzó un error absoluto medio (MAE) promedio de aproximadamente 0.0395 en unidades de temperatura normalizadas para la región del fluido. El aumento en el número de contornos de fase pasados ($p$) generalmente redujo el error de inferencia, particularmente para la consistencia temporal, aunque aumentó ligeramente el error de gradiente debido al ruido local.
• Tendencias Físicas: Los resultados inferidos reprodujeron con éxito las tendencias globales observadas en la simulación, como el aumento de la temperatura en exceso y la diferencia de temperatura superficial con el aumento de la fracción de vacío. El modelo también mantuvo correctamente el orden relativo de temperatura: Sólido > Vapor > Líquido.
• Aplicación Experimental: Al aplicarse a datos experimentales, el modelo preservó tendencias físicas cualitativas, como el orden de temperatura a través de las fases. Sin embargo, la precisión cuantitativa se vio limitada por el desajuste significativo en las condiciones termodinámicas y la dinámica de las burbujas (p. ej., rangos de fracción de vacío) entre los datos de entrenamiento de la simulación y los datos de prueba experimentales.
• Limitaciones: El estudio reconoce que los errores de inferencia aumentan cuando los comportos de las burbujas (p. ej., patrones de nucleación vs. desprendimiento) o los regímenes termodinámicos en los datos de prueba se desvían significamente de la distribución de entrenamiento. El modelo presenta dificultades en regímenes de alto flujo de calor donde las fracciones de vacío exceden el rango visto en el entrenamiento.

Significancia y Reivindicaciones
El artículo sostiene que los modelos generativos profundos ofrecen un enfoque poderoso para aumentar e interpretar las mediciones experimentales en sistemas complejos de dos fases donde la medición directa de los campos térmicos es inviable. Los autores posicionan este trabajo como un paso adelante para cerrar la brecha entre el aprendizaje basado en simulaciones y el análisis experimental, permitiendo la inferencia de información térmica de otro modo inaccesible a partir de datos visuales.

Los autores mantienen una postura modesta, señalando que, si bien el marco produce inferencias cualitativamente precisas y captura tendencias físicas clave, su desempeño cuantitativo está actualmente limitado por la diversidad de los conjuntos de datos de entrenamiento disponibles. Afirman que el enfoque proporciona una alternativa viable para generar datos térmicos sin requerir mapas de velocidad u otras variables experimentales difíciles de recolectar, pero enfatizan que la adquisición de conjuntos de datos simulados y experimentales diversos a través de diferentes regímenes de ebullición sigue siendo un desafío fundamental para mejoras futuras.