Open-source BOS tomography dataset of high-speed flow over a flight body

Este artículo presenta un conjunto de datos de código abierto de tomografía schlieren de fondo con 70 vistas de flujo supersónico sobre un cuerpo de vuelo, demostrando que la reconstrucción neural implícita y la asimilación de datos permiten obtener estimaciones precisas del estado 3D y cuantificar la incertidumbre directamente a partir de mediciones experimentales.

Lo esencial

Imagina que quieres ver el viento. El viento es invisible, pero cuando viaja muy rápido (como un avión supersónico), empuja el aire de tal manera que cambia su densidad, como si el aire se volviera más "pesado" o "ligero" en ciertos puntos. Los científicos necesitan ver estos cambios para diseñar aviones mejores, pero no pueden usar gafas normales.

Este artículo presenta una nueva herramienta mágica y un manual de instrucciones gratuito para ver esos vientos invisibles en 3D. Aquí te explico cómo funciona, usando analogías sencillas:

1. El Problema: Ver lo Invisible

Imagina que estás en una habitación con una vela encendida y una lámpara detrás. Si pones una mano frente a la vela, verás cómo la luz se distorsiona al pasar por el calor de tu mano. Eso es básicamente lo que hace esta técnica llamada BOS (Schlieren de Orientación de Fondo).

En lugar de una mano, tienen un modelo de avión. En lugar de una vela, tienen un fondo con un patrón de puntos (como un código QR gigante). Cuando el aire supersónico pasa por el avión, distorsiona esos puntos. Las cámaras toman fotos de esa distorsión.

2. El Reto: El "Rompecabezas" de las Pocos Piezas

El problema es que normalmente solo pueden tomar fotos desde unos pocos ángulos (digamos, 9 o 15). Es como intentar armar un rompecabezas de un avión en 3D teniendo solo 9 piezas. El resultado suele verse borroso o con "fantasmas" (errores).

La solución de este equipo:

• El "Cine" de 70 cámaras: En lugar de 9 fotos, tomaron 70 fotos desde diferentes ángulos alrededor del modelo. Imagina que tienes 70 amigos alrededor de un objeto, todos tomando fotos al mismo tiempo. Con tantas vistas, el rompecabezas se vuelve mucho más claro.
• El Modelo Giratorio: Como no tenían 70 cámaras reales, tenían 7 cámaras y un modelo que giraba sobre un eje (como un pollo en un asador, pero en una cámara de viento). Giraron el modelo 10 veces, creando esas 70 vistas únicas.

3. La Magia: La Inteligencia Artificial (NIRT)

Aquí es donde entra la parte más genial. Tienen un algoritmo llamado NIRT (Reconstrucción Implícita Neuronal).

• La Analogía del Chef: Imagina que tienes una receta (las leyes de la física del aire) y unos ingredientes sueltos (las 70 fotos). Un método antiguo intentaría mezclar los ingredientes a ciegas. Este nuevo método es como un chef experto con IA que sabe exactamente cómo se comportan los ingredientes.
• Adivinar lo que falta: Si las cámaras no ven bien una parte del avión (porque está en la sombra o el ángulo es malo), la IA usa las leyes de la física para "adivinar" con mucha precisión cómo debería ser el aire en esa zona oculta. Es como si pudieras ver el interior de una caja cerrada solo mirando su sombra.

4. Los Resultados: Ver el Viento en Alta Definición

Gracias a este nuevo conjunto de datos (que es gratuito y público, ¡como un regalo para la comunidad científica!), lograron:

• Ver las ondas de choque: Pueden ver las "olas" de aire comprimido que se forman frente al avión, como las olas que hace un barco en el agua, pero a velocidades increíbles.
• Sin fantasmas: Antes, las reconstrucciones tenían líneas extrañas o formas que no existían. Ahora, la imagen es nítida y realista.
• Medir lo invisible: No solo ven la densidad, sino que la IA calcula la velocidad y la temperatura del aire en 3D, cosas que normalmente son muy difíciles de medir en un túnel de viento.

5. ¿Por qué es importante?

Hasta ahora, si un científico quería probar su propio método para ver el viento, tenía que construir su propio equipo costoso y difícil. Ahora, este equipo ha abierto una "caja de herramientas" completa en internet.

Cualquier investigador puede descargar:

• Las 70 fotos originales.
• Los planos del avión de juguete.
• El código de la Inteligencia Artificial.

Es como si alguien hubiera dejado un kit de LEGO completo en la mesa para que todos construyan y mejoren la forma en que entendemos el vuelo supersónico. Esto ayudará a diseñar aviones más rápidos, silenciosos y eficientes en el futuro.

En resumen: Crearon un "ojo" digital superpoderoso que, gracias a muchas fotos y una IA inteligente, puede ver el viento invisible en 3D, y ahora le han dado las llaves de ese ojo a todo el mundo para que lo usen y mejoren.

Resumen técnico

Resumen Técnico: Dataset de Tomografía BOS de Flujo de Alta Velocidad sobre un Cuerpo de Vuelo

1. Planteamiento del Problema

La tomografía de Schlieren Orientada al Fondo (BOS, por sus siglas en inglés) es una técnica óptica no intrusiva y de bajo costo para medir campos de índice de refracción (y por ende, densidad, temperatura o especies) en flujos compresibles. Sin embargo, la reconstrucción de flujos tridimensionales (3D) complejos y asimétricos presenta desafíos significativos:

• Limitación de vistas: En aplicaciones de ingeniería y mediciones resueltas en el tiempo, el número de perspectivas disponibles suele ser limitado (típicamente 5–15 vistas), lo que genera reconstrucciones con artefactos y baja fidelidad.
• Complejidad de flujos 3D: La mayoría de los estudios se centran en flujos axisimétricos. Reconstruir flujos alrededor de cuerpos de vuelo reales (asimétricos) requiere múltiples cámaras y algoritmos robustos para manejar la falta de simetría.
• Necesidad de datos de referencia: Existe una carencia de conjuntos de datos abiertos que incluyan no solo las imágenes, sino también los campos de deflexión, las reconstrucciones y el código para validar y desarrollar nuevos algoritmos de tomografía y asimilación de datos.

2. Metodología

Los autores desarrollaron un experimento exhaustivo y un marco de procesamiento de datos avanzado:

• Configuración Experimental:

  • Modelo: Un cuerpo de vuelo genérico con forma de pirámide cuadrada asimétrica (ángulo de ataque de 10°), fabricado en policarbonato.
  • Túnel de Viento: VKF Wind Tunnel D (AEDC), operando a Mach 4.8 con presión de estancamiento de 60 psia.
  • Adquisición de Datos: Se utilizó una matriz fija de 7 cámaras (sCMOS) dispuestas en tres raíles ópticos. El modelo se rotó en 10 pasos de 10°, generando un total de 70 vistas sobre un arco de 120°.
  • Iluminación: Patrón BOS retroiluminado por un láser Nd:YAG (pulsos de 10 ns) para congelar el flujo.

• Procesamiento de Imágenes:

  • Calibración: Se utilizó un método de dos niveles con placas de calibración LaVision, optimizado mediante un algoritmo de no linealidad para alinear todas las cámaras en un sistema de coordenadas global.
  • Detección de Deflexión: Se compararon tres algoritmos (Correlación Cruzada, Flujo Óptico de Ondículas y Flujo Óptico de Horn-Schunck). El método de Horn-Schunck, con normalización local de imágenes, demostró ser el más preciso y con menos artefactos.

• Reconstrucción y Asimilación de Datos:

  • Técnica NIRT: Se empleó una técnica de reconstrucción implícita neuronal (Neural-Implicit Reconstruction Technique) con regularización de variación total (TV) para recuperar campos de densidad a partir de vistas limitadas.
  • Asimilación de Datos: Se integraron las ecuaciones de Euler compresibles 3D dentro del marco NIRT. Esto permitió recuperar campos no medidos directamente (velocidad y temperatura) y refinar el campo de densidad utilizando la física del flujo como restricción.

3. Contribuciones Clave

• Dataset de Código Abierto: Se ha liberado un conjunto de datos completo y público que incluye:
  • Diseños CAD del modelo y la instalación.
  • 70 pares de imágenes (referencia y flujo activo) y datos de calibración.
  • Campos de deflexión estimados y máscaras.
  • Reconstrucciones 3D del flujo.
  • Código completo (TensorFlow) para la técnica NIRT, la detección de deflexión y la calibración de cámaras.
• Primera Demostración de Asimilación 3D: Es la primera vez que se demuestra la estimación del estado 3D (densidad, velocidad, temperatura) directamente a partir de mediciones experimentales de Schlieren mediante asimilación de datos.
• Validación de Métodos de Vistas Limitadas: El estudio demuestra que, incluso con un subconjunto de solo 9 vistas, es posible resolver choques agudos y estructuras de expansión con alta fidelidad y mínimos artefactos.

4. Resultados

• Reconstrucción de Choques y Expansión: Las reconstrucciones NIRT con regularización TV capturaron con precisión los choques oblicuos unidos al cuerpo y el abanico de expansión en la cola, coincidiendo bien con la geometría del modelo. Se observaron mínimos artefactos no físicos (como expansiones prematuras antes de los choques) en comparación con trabajos previos.
• Recuperación de Campos No Medidos: La asimilación de datos permitió recuperar con éxito los campos de velocidad y temperatura, que no se midieron directamente. Se observó la desaceleración del flujo a través del choque y la aceleración en la expansión.
• Cuantificación de Incertidumbre: El marco NIRT permitió cuantificar la incertidumbre (aleatoria y epistémica). Los resultados mostraron que la incertidumbre se concentra en las frentes de choque (donde los errores de calibración y detección se amplifican) y en las regiones de expansión con señales débiles, alineándose con la intuición física.
• Robustez: A pesar de la deflexión elástica del modelo (hasta 1 mm) bajo carga aerodinámica, la reconstrucción mantuvo consistencia física a lo largo del cuerpo.

5. Significado e Impacto

Este trabajo representa un avance significativo en la dinámica de fluidos experimental y la tomografía óptica:

• Recurso Comunitario: Proporciona un "banco de pruebas" estandarizado para que la comunidad científica pueda comparar y mejorar algoritmos de detección de deflexión, reconstrucción tomográfica y asimilación de datos.
• Avance en Diagnóstico Óptico: Demuestra que es posible obtener estimaciones de estado 3D completas a partir de mediciones ópticas 2D limitadas, superando las limitaciones tradicionales de la tomografía BOS.
• Guía para el Diseño Experimental: La cuantificación de incertidumbre ofrece información valiosa para guiar futuros diseños de experimentos (DoE), indicando qué regiones del flujo están bien resueltas y dónde se necesitan más vistas o mejoras en la calibración.

En resumen, el artículo establece un nuevo estándar para la investigación en flujos supersónicos 3D, combinando experimentación de alta fidelidad con técnicas avanzadas de aprendizaje automático y física para extraer información completa del flujo a partir de datos ópticos limitados.