Deep Learning-Based Characterization of Detonation-Cell Size Distributions in Soot-Foil Records

Resumen Técnico: Caracterización de la Distribución del Tamaño de las Celdas de Detonación en Registros de Hollín mediante Aprendizaje Profundo

Planteamiento del Problema
El tamaño geométrico y la regularidad de las celdas de detonación son parámetros fundamentales para caracterizar la sensibilidad cinética química y la inestabilidad hidrodinámica de las ondas de detonación. Tradicionalmente, estos parámetros se extraen de los registros de hollín mediante mediciones manuales, un proceso que es lento, subjetivo y propenso a errores. Si bien las técnicas existentes de visión computacional y segmentación semántica ofrecen automatización, a menudo tienen dificultades para generalizarse al aplicarse a imágenes experimentales reales. Estas imágenes presentan frecuentemente altos niveles de ruido, bordes difusos debido a la deposición desigual de hollín y un severo solapamiento de celdas, lo que conduce a la identificación errónea de componentes conectados y a distribuciones estadísticas inexactas.

Metodología
Para abordar estas limitaciones, los autores proponen un nuevo marco de reconocimiento y extracción de características automatizado basado en la segmentación de instancias por aprendizaje profundo, utilizando específicamente la arquitectura Mask R-CNN (Red Neuronal Convolucional basada en Regiones de Máscara).

• Arquitectura de la Red: El modelo emplea una columna vertebral (backbone) ResNet-50 inicializada con pesos preentrenados de ImageNet para extraer características multiescala. Utiliza una Red de Pirámide de Agregación de Caminos (PAFPN) como cuello para fusionar la información espacial de bajo nivel y la información semántica de alto nivel. La cabeza de detección incluye una Red de Propuesta de Regiones (RPN) con anclajes multiescala y una cabeza de Región de Interés (RoI) con RoIAlign para la generación precisa de máscaras a nivel de píxel.
• Estrategia de Entrenamiento: Para superar la escasez de datos anotados y prevenir el sobreajuste, el estudio emplea una estrategia de transferencia de aprendizaje en dos etapas. El modelo es preentrenado primero en imágenes naturales generales y, posteriormente, ajustado (fine-tuning) en un conjunto de datos heterogéneo personalizado. Este conjunto de datos combina simulaciones numéricas de alta fidelidad con registros físicos experimentales de hollín, organizados en el formato estándar COCO.
• Preprocesamiento y Aumento de Datos: Las imágenes de entrada se redimensionan a 1024×1024 píxeles. Para mejorar la robustez, el flujo de entrenamiento incluye el volteo aleatorio (random flipping) y la Distorsión Fotométrica para simular variaciones en la iluminación y el espesor del hollín.
• Estrategia de Parcheado (Patching): Reconociendo que la inferencia directa en imágenes grandes y de alta densidad conduce a un desajuste de escala de características y detecciones perdidas, los autores establecen un paradigma de preprocesamiento estandarizado donde las imágenes alargadas de hollín se particionan en una cuadrícula de 2×3 sub-parches para la inferencia independiente antes de la agregación.

Contribuciones Clave

1. Segmentación de Instancias para Celdas de Detonación: A diferencia de la segmentación semántica que clasifica píxeles, este enfoque aisla instancias individuales de celdas, permitiendo el análisis estadístico de características geométricas (longitud, anchura, área) para cada celda individual, incluso en regiones densamente compactadas y solapadas.
2. Paradigma de Preprocesamiento Estandarizado: El artículo identifica el "desplazamiento de la distribución previa" y el "desajuste de la escala de características" como causas de detecciones perdidas en imágenes de alta densidad. Propone y valida una estrategia específica de parcheado de imágenes (cuadrícula 2×3) como una condición necesaria para mantener el rendimiento del modelo en datos experimentales de gran formato.
3. Extracción de Características de Alto Orden: Más allá del simple tamaño de celda promedio ($\lambda$), el modelo extrae automáticamente métricas morfológicas avanzadas, incluyendo el Índice de Irregularidad (RI) y la desviación estándar de los ángulos de deflexión de las celdas ($\sigma_\theta$), que cuantifican la estabilidad y el caos de la onda de detonación.
4. Seguimiento de la Evolución Espacial: El método permite el seguimiento automatizado de la evolución del tamaño de la celda a lo largo de la dirección de propagación, permitiendo la distinción entre estados de iniciación transitorios y la propagación estable de Chapman-Jouguet (CJ).

Resultados

• Validación de Referencia (Benchmark): En datos simulados numéricamente (tanto regulares como irregulares), el modelo logró una concordancia casi perfecta a nivel de píxel con la verdad de campo (ground truth). Para las celdas simuladas irregulares, el tamaño de celda promedio predicho difirió de la verdad de campo por un margen insignificante (37.61px frente a 37.64px).
• Validación Experimental:
  • Condiciones Irregulares: En los ruidosos registros de hollín experimentales reales, el modelo logró un error relativo del 3.5% en el tamaño de celda promedio en comparación con las mediciones manuales. Aunque el recuento total de celdas fue ligeramente menor debido a la exclusión de celdas truncadas en los límites de los parches, la distribución de densidad de probabilidad mostró un alto solapamiento con las referencias manuales.
  • Condiciones Regulares: Para celdas experimentales regulares, el error relativo en el tamaño de celda promedio fue inferior al 2%.
• Robustez y Sensibilidad:
  • Resolución: El modelo demostró una fuerte invarianza de escala, manteniendo un error relativo de aproximadamente el 5% incluso cuando la resolución de entrada se redujo al 30%.
  • Densidad de Objetos: La inferencia directa en imágenes completas (que contienen ~1,500 celdas) resultó en severas detecciones perdidas y un sesgo en la media del tamaño. La estrategia de parcheado 2×3 mitigó esto con éxito, restaurando el recuento de detecciones y la precisión estadística.
• Extracción de Características: Las métricas de alto orden extraídas (RI y $\sigma_\theta$) tanto para casos regulares como irregulares se alinearon con las expectativas teóricas, distinguiendo correctamente entre arreglos de escamas de pez estables y frentes de onda caóticos e inestables.

Significancia
El artículo sostiene que este método proporciona una herramienta robusta, objetiva y eficiente para el análisis cuantitativo de la combustión por detonación. Al automatizar la extracción tanto de los promedios globales como de las evoluciones espaciales locales, el modelo supera la subjetividad y las limitaciones del análisis manual tradicional. Transforma morfologías físicas complejas y ruidosas en datos estructurados, facilitando investigaciones más profundas sobre las correlaciones entre la sensibilidad cinética química y las inestabilidades hidrodinámicas macroscópicas. El estudio establece un flujo de trabajo estandarizado para procesar datos de detonación a gran escala, sirviendo como base para futuras investigaciones sobre los mecanismos intrínsecos de la propagación de la detonación.