Resumen Técnico: Reducción de Pruebas Experimentales en Análisis de Refrigeración por Película de Propulsión Espacial mediante Interpolación Generativa de Imágenes a Nivel de Píxel

1. Declaración del Problema

La refrigeración por película es una estrategia crítica de gestión térmica en sistemas de propulsión aeroespacial, que protege componentes como las paredes de la cámara de combustión y las toberas de cargas térmicas extremas. Sin embargo, optimizar estos sistemas requiere comprender las interacciones complejas entre los parámetros de diseño (geometría del inyector, propiedades del refrigerante) y las condiciones de operación. Capturar estas interacciones experimentalmente exige pruebas físicas extensas, las cuales a menudo están limitadas por tiempo, costo y recursos, particularmente al escalar a espacios de parámetros de alta dimensión. Los métodos tradicionales de reducción de datos, como las aproximaciones escalares o el modelado de superficies de respuesta, tienen dificultades para capturar anomalías locales, discontinuidades y características turbulentas inherentes al comportamiento real de la refrigeración por película.

2. Metodología: PixCOIN

Los autores proponen PixCOIN (Interpolación de Imágenes Condicionales basada en Píxeles), un enfoque de aprendizaje automático diseñado para reconstruir datos de imágenes a partir de mediciones experimentales dispersas. A diferencia de la interpolación convencional o el modelado de superficies, PixCOIN opera directamente en el espacio de píxeles para generar imágenes complejas y detalladas espacialmente sin depender de suposiciones geométricas.

Arquitectura Central

• Tipo de Modelo: Una red neuronal feed-forward totalmente conectada (FFNN) ligera con activaciones ReLU.
• Características de Entrada: La red acepta dos entradas principales:
  1. Parámetros de Operación Física ($p$): Como el ángulo de inyección, el caudal másico y la presión.
  2. Codificación Posicional: Las coordenadas de píxeles normalizadas $(x, y)$ se integran explícitamente como características de entrada. Esto permite que el modelo aprenda patrones dependientes del espacio directamente sin utilizar arquitecturas convolucionales.
• Estrategia de Entrenamiento: En lugar de entrenar sobre imágenes completas, el conjunto de datos se descompone en entradas a nivel de píxel. Cada muestra de entrenamiento consiste en coordenadas normalizadas, parámetros físicos asociados y la intensidad del píxel objetivo. Este enfoque previene el sobreajuste a estructuras a nivel de imagen y asegura una exposición amplia en todo el conjunto de datos.
• Función de Pérdida: El modelo se entrena utilizando la pérdida de Error Cuadrático Medio (MSE).
• Inferencia: Durante la inferencia, los parámetros físicos se fijan en un punto de operación deseado. La red evalúa secuencialmente todas las coordenadas espaciales $(x, y)$ para producir predicciones de intensidad, que se ensamblan en una imagen 2D que representa la distribución de película predicha.

Extensión Informada por Conocimiento

Para abordar errores de segmentación local (por ejemplo, en la Zona de Flujo Radial), los autores proponen una extensión que integra conocimiento experto del dominio:

• Mecanismo: Un clasificador CNN ligero detecta fallos de segmentación en las imágenes sintetizadas.
• Adaptación: Utilizando el Mapeo de Activación de Clase Ponderado por Gradiente (Grad-CAM), el sistema localiza las regiones defectuosas. Durante la retropropagación, los píxeles marcados como defectuosos se entrenan utilizando una función de pérdida modificada que apunta a una intensidad de primer plano de referencia, mientras que los demás píxeles utilizan MSE estándar. Esto permite una corrección dirigida sin alterar la arquitectura de la red base.

3. Configuración Experimental y Datos

El método se validó utilizando tanto datos sintéticos como experimentos de flujo frío del mundo real realizados en el Centro Aeroespacial Alemán (DLR).

• Datos Reales: Los experimentos utilizaron una cámara de combustión semiabierta con un único inyector de refrigerante. La imagen de alta velocidad (1024x1024, 50 FPS) capturó el comportamiento de la película de fluido. Se utilizó agua desmineralizada con tinta como sustituto del Peróxido de Alta Prueba (HTP).
• Preprocesamiento: Las imágenes sufrieron normalización geométrica (rectificación de la cámara semicilíndrica), desruido temporal (promedio de 10 cuadros consecutivos) y segmentación (sustracción de fondo y umbralización adaptativa). Todas las imágenes se submuestrearon a 120x84 píxeles para el entrenamiento.
• Parámetros: Se investigaron cinco parámetros clave: método de fabricación, diámetro de la cámara de combustión, diámetro de la tobera del inyector, ángulo de inyección y presión. El conjunto de datos completo comprendió 480 puntos de operación únicos con 10 imágenes cada uno (4.800 puntos de datos en total).

4. Resultados Clave

El modelo se evaluó utilizando métricas cuantitativas que incluyen el Error Cuadrático Medio Raíz (RMSE), el Índice de Similitud Estructural (SSIM), la Relación Pico Señal-Ruido (PSNR), la Similitud del Coseno y la Hashing Perceptual.

• Rendimiento con Datos Reducidos: El estudio demostró que PixCOIN mantiene una alta precisión incluso con datos experimentales significativamente reducidos.
  • Reducir el número de configuraciones de caudal másico de 5 a 3 resultó en un aumento marginal del RMSE del 0,95% y una disminución del SSIM del 1,54%.
  • Reducir a solo 2 configuraciones (mínimo y máximo) causó que el RMSE aumentara a ~9,0% y el SSIM bajara a ~90,9%, sin embargo, el rendimiento se mantuvo dentro de límites aceptables (RMSE < 10%).
  • Una reducción aleatoria del 30% de los puntos de operación produjo un RMSE < 8% y un SSIM > 93%.
• Interpolación vs. Extrapolación: El modelo se desempeña de manera robusta en escenarios de interpolación. Sin embargo, como se espera con métodos basados en datos, la extrapolación a valores de parámetros no vistos (por ejemplo, un ángulo de inyección de 0° no presente en el entrenamiento) resultó en errores notablemente más altos y una calidad de imagen inferior en comparación con los casos interpolados.
• Validación Sintética: En conjuntos de datos sintéticos, el modelo regresó con éxito funciones subyacentes, capturando detalles finos como estructuras de un solo píxel de ancho y gradientes de escala de grises suaves.
• Eficiencia Computacional: Entrenar un modelo de tamaño mediano (~3,5 millones de parámetros) tomó aproximadamente 7 minutos por época en una GPU NVIDIA RTX 3500 Ada. La inferencia para una sola imagen tomó aproximadamente 6 segundos.

5. Significado y Contribuciones

El artículo afirma las siguientes contribuciones:

1. Reducción Experimental Eficiente: El enfoque permite una reducción del 30% en las mediciones mientras preserva datos de alta calidad (RMSE < 8%, SSIM > 93%), ofreciendo una solución escalable para campañas experimentales donde los diagnósticos basados en imágenes son centrales.
2. Interpolación a Nivel de Píxel: Proporciona un método general y ligero para la interpolación de imágenes a nivel de píxel basada en codificación posicional, capaz de generar patrones espaciales complejos sin suposiciones geométricas.
3. Refinamiento Guiado por Expertos: La extensión informada por conocimiento propuesta permite el refinamiento local de imágenes generadas basándose en conocimiento experto del dominio, abordando modos de fallo específicos como errores de segmentación en zonas de flujo críticas.
4. Aplicación Práctica: El método facilita una exploración más ágil del espacio de diseño en el desarrollo de propulsión, reduciendo la dependencia de costosas campañas de prueba y permitiendo una optimización eficiente de las configuraciones de inyectores de refrigerante.

Los autores concluyen que, aunque persisten desafíos relacionados con las inconsistencias experimentales sistemáticas y la calidad de la segmentación, PixCOIN demuestra un potencial robusto para reducir la carga experimental en la investigación de propulsión espacial mientras mantiene una representación de datos de alta fidelidad.