Tracking in-silico Lagrangian sensors in a lab-scale stirred tank reactor

Resumen Técnico: Seguimiento de sensores lagrangianos in-silico en un reactor de tanque agitado a escala de laboratorio

Planteamiento del problema
Los sensores lagrangianos (LS), que se desplazan libremente dentro de un fluido para proporcionar mediciones espacialmente resueltas de las condiciones del reactor, ofrecen ventajas significativas sobre los sensores eulerianos fijos, particularmente en biorreactores donde la agitación vigorosa es perjudicial. Sin embargo, el seguimiento tridimensional de estos sensores sigue siendo un desafío en gran medida sin resolver. Si bien los sensores pueden medir la aceleración y los campos magnéticos mediante unidades de medida inercial (IMU) integradas, los datos inerciales independientes sufren una deriva rápida, y los métodos de seguimiento tradicionales (por ejemplo, video, señales de radio) suelen ser inviables para las operaciones industriales estándar. Además, los LS no siguen perfectamente las líneas de corriente del fluido debido a efectos de inercia (regidos por el número de Stokes), lo que requiere modelos dinámicos basados en la física en lugar de simples suposiciones cinemáticas. Este artículo aborda el desafío de reconstruir las trayectorias 3D de los LS utilizando únicamente lecturas de acelerómetro y magnetómetro fusionadas con un modelo dinámico basado en la física.

Metodología
Los autores proponen un marco de seguimiento que fusiona los datos de los sensores (aceleración y la intensidad/dirección del campo magnético) con un modelo dinámico a medida utilizando algoritmos de filtrado secuencial.

• Configuración física: El estudio utiliza réplicas in-silico de un diseño de LS propuesto recientemente (Geläschus et al., 2026). El sensor está equipado con un acelerómetro y un magnetómetro vectorial. Se genera un campo de dipolo magnético artificial externo sobre el reactor para servir como baliza de referencia.
• Verdad de campo y dinámica: Las trayectorias de "verdad de campo" (ground truth) se generan resolviendo numéricamente las ecuaciones de Maxey-Riley-Gatignol (MaRGE), que tienen en cuenta los efectos de inercia, la masa añadida y la fuerza de historial de Basset. El estudio considera dos campos de flujo:
  1. Un vórtice 3D definido analíticamente.
  2. Un campo de flujo medido experimentalmente de un reactor de tanque agitado (STR) a escala de laboratorio, obtenido mediante la técnica de Shake-the-Box de la velocimetría de imágenes de partículas.
• Algoritmos de filtrado: Se implementan y comparan tres enfoques de filtrado:
  1. Filtro de Kalman Extendido (EKF): Utiliza un vector de estado que incluye posición, velocidad y aceleración. El modelo de proceso se deriva de las ecuaciones MaRGE, pero excluye intencionadamente el término de historial de Basset para simular un error de modelo controlado. El sistema se linealiza mediante Jacobianos (calculados mediante diferenciación automática) para la predicción y actualización del estado.
  2. Filtro de Partículas (PF): Un método de Monte Carlo secuencial utilizando un enfoque de bootstrap. El vector de estado incluye posición y velocidad. Emplea un templado adaptativo para mantener la diversidad de las partículas y un remuestreo sistemático con rugosidad (roughening) para evitar el empobrecimiento de la muestra.
  3. Filtro de Kalman Sin Unscented (UKF): Implementado utilizando la biblioteca pykalman como comparación de base, utilizando las mismas covarianzas de ruido e condiciones iniciales que el EKF.
• Ruido y validación: Se generan datos sintéticos añadiendo un ruido gaussiano del 5% a las mediciones. Los filtros se prueban contra estos datos ruidosos para reconstruir la verdad de campo. El rendimiento se evalúa utilizando el error euclidiano relativo normalizado por la longitud del arco de la trayectoria.

Contribuciones clave

• Marco de seguimiento basado en la física: El artículo introduce un marco que integra un campo magnético artificial con datos de IMU, utilizando específicamente un modelo dinámico basado en las ecuaciones MaRGE para dar cuenta de la naturaleza inercial de los sensores.
• Robustez al error del modelo: El estudio demuestra que es posible lograr un seguimiento preciso incluso cuando el modelo de proceso del filtro (que ignora la fuerza de Basset) difiere de la dinámica de la verdad de campo (que incluye la fuerza de Basset), simulando un escenario realista de desajuste del modelo.
• Comparación algorítmica: Una comparación sistemática de EKF, PF y UKF tanto en flujos idealizados (vórtice) como en campos de flujo complejos derivados experimentalmente.
• Reproducibilidad de código abierto: Todos los resultados de seguimiento y el código se ponen a disposición para su reproducción.

Resultados

• Flujo de vórtice (Idealizado): Tanto el EKF como el PF reconstruyeron las trayectorias con errores relativos inferiores al 1%. El UKF funcionó bien inicialmente, pero divergió progresivamente después de $t \approx 2$, resultando en errores más de tres veces mayores que los de los otros filtros para $t=5$. Se encontró que el UKF era significativamente más sensible a la covarianza del estado inicial.
• Reactor de tanque agitado (Experimental): En el campo de flujo complejo medido experimentalmente, el EKF superó al PF, manteniendo errores relativos por debajo del 6% (promedio de ~1.1%) en comparación con el promedio de ~2.2% del PF. El PF exhibió una mayor volatilidad debido a la dificultad de representar la distribución posterior en flujos complejos con un conjunto finito de partículas. El UKF falló por completo en este escenario, produciendo un error relativo medio superior al 1800%, atribuido a las fuertes no linealidades en el campo experimental que la implementación genérica del UKF no pudo manejar.
• Gestión del error del modelo: A pesar de la omisión intencionada de la fuerza de Basset en los modelos de los filtros (introduciendo un error de modelo significativo), tanto el EKF como el PF pudieron rastrear eficazmente las partículas in-silico, lo que sugiere que el marco es robusto ante ciertos tipos de imprecisiones en el modelo dinámico.

Significancia y afirmaciones
El artículo afirma que el marco propuesto demuestra el potencial para el seguimiento en línea de sensores lagrangianos en reactores químicos. Los autores enfatizan que, si bien los resultados son prometedores, se basan en partículas in-silico y trayectorias simuladas, no en el seguimiento de sensores reales en el mundo real.

El estudio destaca algunas limitaciones y pasos futuros:

• Validación en el mundo real: La brecha entre los modelos dinámicos utilizados en los filtros y el movimiento real de los LS (que pueden tener un desalineamiento entre el centro geomético y de masa) aún no se comprende completamente. El trabajo futuro debe validar este enfoque con partículas reales en el reactor a escala de laboratorio.
• Restricciones de materiales: El enfoque de campo magnético artificial se limita a reactores fabricados con materiales no magnéticos; los recipientes de acero requerirían estrategias de posicionamiento alternativas.
• Capacidad en tiempo real: Las implementaciones actuales son fuera de línea (offline). Lograr el seguimiento en tiempo real requiere una aceleración computacional de dos órdenes de magnitud, lo que probablemente requerirá la migración de Python a lenguajes compilados (C/C++) y procesamiento paralelo en GPUs.
• Características del ruido: La suposición de un ruido gaussiano aditivo puede no reflejar las complejidades de la comunicación de baja potencia en entornos industriales, aunque se sugieren técnicas de eliminación de ruido mediante aprendizaje automático como un posible remedio.

En conclusión, los autores presentan una prueba de concepto robusta de que el filtrado basado en la física de datos de IMU y magnéticos puede reconstruir trayectorias con errores relativos inferiores al 10% (y a menudo inferiores al 5%) en entornos de flujo complejos, allanando el camino para su futuro despliegue operativo.