Robust shape reconstruction of elastic impenetrable scatterers via monotonicity spectral sampling methods

Resumen Técnico: Reconstrucción Robusta de la Forma de Dispersores Elásticos Impenetrables mediante Métodos de Muestreo Espectral de Monotonía

Planteamiento del Problema
El artículo aborda el problema inverso de reconstruir la ubicación y la forma de un dispersor elástico impenetrable bidimensional desconocido $D$ a partir de mediciones de campo lejano. El dispersor está embebido en un fondo elástico homogéneo e isotrópico y es iluminado por ondas planas elásticas de frecuencia armónica. El estudio considera dos condiciones de contorno canónicas:

1. Dispersores rígidos impenetrables: Que satisfacen la condición de contorno de Dirichlet (desplazamiento total nulo).
2. Dispersores de tracción libre: Que satisfacen la condición de contorno de Neumann (tracción superficial nula).

El problema es inherentemente no lineal e mal planteado, donde pequeñas perturbaciones en las mediciones pueden conducir a inestabilidades significativas en las fronteras reconstruidas. Si bien existen resultados de unicidad para estos problemas, el desarrollo de algoritmos numéricos robustos que puedan manejar el ruido y resolver geometrías complejas (incluyendo características cóncavas) sigue siendo un desafío.

Metodología
Los autores desarrollan un marco basado en el método de la monotonía, extendiéndolo desde dominios acotados y entornos acústicos/electromagnéticos hacia la dispersión elástica no acotada. La metodología procede a través de las siguientes etapas:

1. Factorización de Operadores: El artículo establece la factorización de los operadores de campo lejano elástico ($F_d$ para rígido, $F_n$ para tracción libre) utilizando operadores de potencial de capa simple, operadores de integral de contorno y operadores de datos a patrón. Esta factorización vincula los datos de campo lejano con la geometría del dispersor.
2. Funciones de Onda Localizadas: Se demuestra la existencia de "funciones de onda localizadas" (secuencias de funciones de onda de Herglotz) . Estas funciones concentran la energía en un dominio de sondeo $B$ mientras se vuelven asintóticamente invisibles para el dispersor $D$ si $B$ no está contenido dentro de $D$. Esta propiedad es crucial para distinguir el interior del exterior del dispersor.
3. Caracterización de la Monotonía: La contribución teórica central implica la derivación de criterios precisos basados en las propiedades espectrales de un operador de monotonía $A_B$. Este operador se define como una combinación lineal específica de la parte real del operador de campo lejano y el operador de sondeo ($H_B^* H_B$).
   • Para un dispersor rígido: $A_B = -\Re(F_d) - H_B^* H_B$.
   • Para un dispersor de tracción libre: $A_B = \Re(F_n) - H_B^* H_B$.
   • Teoremas 4.1 y 4.2: El artículo demuestra que si un dominio de sondeo $B$ está contenido dentro del dispersor ($B \subseteq D$), el operador $A_B$ tiene solo un número finito de autovalores negativos. Por el contrario, si $B \not\subseteq D$, $A_B$ posee infinitos autovalores negativos.

Contribuciones Clave y Algoritmos
El artículo identifica una limitación crítica en el muestreo clásico basado en la monotonía: la dependencia del conteo del número de autovalores negativos. Dado que el operador de monotonía es compacto y autoadjunto, sus autovalores se acumulan en cero. En consecuencia, el ruido arbitrariamente pequeño puede cambiar el signo de los autovalores cercanos a cero, lo que hace que el mapa de conteo sea discontinuo y altamente sensible a los errores de medición.

Para superar esto, los autores proponen dos novedosos métodos de muestreo espectral que utilizan las magnitudes de los autovalores negativos en lugar de solo sus signos:

1. Muestreo de Monotonía Basado en Conteo (Algoritmo 1): Un método de referencia que cuenta los autovalores negativos por debajo de un umbral. Sirve como un referente teórico, pero se muestra inestable bajo ruido.
2. Muestreo Espectral de Monotonía de Frecuencia Única (Algoritmo 2): En lugar de contar, este método define una función indicadora $I_{sum}$ como la suma de los autovalores negativos del operador de monotonía discretizado. Al explotar la dependencia continua de las magnitudes de los autovalores respecto a las perturbaciones de los datos, este método logra una continuidad de Lipschitz con respecto al ruido, ofreciendo una estabilidad significativamente mejorada.
3. Muestreo Espectral de Monotonía de Multifrecuencia (Algoritmo 3): Este método agrega los indicadores espectrales a través de un rango de frecuencias. Combina la estabilidad de los datos de baja frecuencia (que capturan el soporte grueso) con las capacidades de alta resolución de los datos de alta frecuencia (que capturan los detalles finos de la frontera). El indicador multiescala resultante equilibra la robustez al ruido con la fidelidad geométrica.

Resultados
Se realizaron extensos experimentos numéricos en varias geometrías de dispersores (cuadrada, forma de Cassini, forma de cometa, forma de tres hojas) bajo condiciones tanto rígidas como de tracción libre.

• Desempeño Sin Ruido: Los tres métodos reconstruyen con éxito la ubicación del dispersor. Sin embargo, el método basado en el conteo (Algoritmo 1) exhibe artefactos visibles, particularmente para fronteras cóncavas, mientras que los métodos espectrales (Algoritmos 2 y 3) proporcionan reconstrucciones más limpias.
• Robustez al Ruido:
  • Con niveles bajos de ruido (por ejemplo, 0.1%), el método basado en el conteo muestra una degradación en la nitidez de la frontera.
  • Con niveles altos de ruido (por ejemplo, 10%), el método basado en el conteo falla completamente, produciendo reconstrucciones sin sentido.
  • El método espectral de frecuencia única (Algoritmo 2) mantiene la integridad estructural y una localización de frontera precisa incluso con un 10% de ruido, aunque con cierto desenfoque.
  • El método espectral de multifrecuencia (Algoritmo 3) demuestra la mayor robustez, recuperando con precisión características cóncavas complejas y manteniendo fronteras nítidas incluso bajo una sustancial contaminación por ruido.

Significancia y Reivindicaciones
El artículo sostiene que los métodos de muestreo espectral propuestos representan una mejora fundamental sobre los enfoques clásicos basados en el conteo para la dispersión elástica inversa. La principal significancia radica en abordar la fragilidad estructural del conteo de autovalores en presencia de ruido. Al pasar de un criterio binario basado en el signo a una suma continua basada en la magnitud, los autores logran:

1. Mayor Estabilidad: Los nuevos indicadores son Lipschitz-continuos con respecto a las perturbaciones de los datos, lo que los hace viables para escenarios realistas contaminados por ruido.
2. Mejor Fidelidad Geométrica: El enfoque de multifrecuencia resuelve eficazmente características complejas, como las fronteras cóncavas, que son difíciles de reconstruir para los métodos de frecuencia única o de conteo.
3. Marco Unificado: El trabajo proporciona un marco riguroso basado en la monotonía aplicable tanto a dispersores impenetrables rígidos (Dirichlet) como de tracción libre (Neumann) en medios elásticos, un tratamiento unificado que carecía de rigor previo.

Los autores concluyen que, si bien el método basado en el conteo es teóricamente sólido, los métodos de muestreo espectral son prácticamente superiores para la reconstrucción robusta de la forma en problemas de dispersión elástica.