Estimation of Wavenumber Spectra from Particle Tracking Velocimetry Data

Resumen Técnico: Estimación de Espectros de Número de Onda a partir de Datos de Velocimetría de Seguimiento de Partículas

Planteamiento del Problema
La Velocimetría de Seguimiento de Partículas (PTV) proporciona datos de campos de velocidad tridimensionales con tres componentes; sin embargo, el muestreo espacial es inherentemente irregular debido a la distribución aleatoria de las partículas de siembra. Esta irregularidad impide la aplicación directa de las Transformadas Rápidas de Fourier (FFT) convencionales para calcular los espectros de número de onda sin una interpolación intermedia. Si bien la interpolación remedia el problema del muestreo, introduce incertidumbre respecto al sesgo y la varianza de las estimaciones espectrales resultantes. Específicamente, no está claro qué estimador ofrece el equilibrio más apropiado entre la esperanza (sesgo) y la variabilidad (varianza) para datos con muestreo irregular, particularmente cuando se intenta resolver los rangos disipativos de alto número de onda. El estudio aborda la cuestión de si existe un estimador insesgado que mantenga una varianza tolerable en números de onda elevados, permitiendo potencialmente la estimación de espectros en el rango disipativo con densidades de siembra modestas.

Metodología
Los autores utilizaron un conjunto de datos sintéticos generados a partir de una Simulación Numérica Directa (DNS) de un flujo de Kolmogorov (flujo k) bidimensional estadísticamente estacionario con un número de Reynolds de 2000. El flujo presenta una estructura de cascada dual (transferencia de energía inversa y transferencia de enstrofía directa). Para simular las mediciones de PTV, se sembraron partículas trazadoras virtuales de forma aleatoria dentro del campo de velocidad de la DNS a varias densidades numéricas ($N = 5,000, 10,000, 20,000$), con velocidades interpoladas desde la rejilla Euleriana y aumentadas con un 5% de ruido gaussiano.

Se compararon cuatro estimadores espectrales distintos frente al espectro de referencia derivado de los datos completos de la DNS:

1. Estimación Espectral Directa (NUDFT): Una transformada de Fourier discreta no uniforme aplicada directamente a las muestras dispersas sin reconstrucción.
2. Interpolación + FFT: Interpolación de vecino natural de los datos de partículas sobre la rejilla uniforme de la DNS, seguida de una FFT estándar.
3. Red Neuronal Informada por la Física (PINN) + FFT: Reconstrucción del campo de velocidad utilizando una PINN de vorticidad-velocidad. El estudio comparó dos funciones de pérdida de fidelidad de datos: el Error Cuadrático Medio ($L_2$) y el Error Absoluto Medio ($L_1$). Se seleccionó la norma $L_1$ para mitigar la tendencia al suavizado excesivo de la pérdida $L_2$ en regímenes de datos dispersos.
4. Correlación de Ranura Difusa (FSC - Fuzzy Slot Correlation): Un estimador basado en la función de autocorrelación. Emplea "ranurado difuso" (distribución de las contribuciones de pares entre los bins vecinos mediante una función de peso triangular) combinado con "normalización local" para suprimir los efectos del ruido de medición no correlacionado.

El rendimiento de estos estimadores se evaluó en términos de esperanza (sesgo) y varianza como función de la densidad de número de partículas ($N_p$) y del número de cuadros de ensamble ($N_f$).

Resultados Clave

• NUDFT: Aunque es insesgado en principio, este método produjo un piso de ruido plano que se encontraba órdenes de magnitud por debajo del espectro de referencia en el rango de contención de energía, lo que lo hace ineficaz para recuperar la forma espectral sin una corrección de densidad.
• Interpolación: Este método actuó como un filtro de paso bajo. Recuperó con precisión la energía de gran escala, pero introdujo un sesgo positivo severo (sobreimpulso) en números de onda altos cerca de la escala de disipación ($k_\eta$) debido a la incapacidad de resolver estructuras más pequeñas que el espaciamiento local entre partículas.
• PINN:
  • La $L_2$-PINN reprodujo la pendiente $k^{-3}$ pero exhibió un sesgo negativo persistente (subestimación) en todo el rango de alto número de onda debido al suavizado excesivo.
  • La $L_1$-PINN redujo significativamente este sesgo, siguiendo con precisión la referencia de la DNS cerca de $k_\eta$ con solo un ligero sesgo en números de onda intermedios. Crucialmente, la $L_1$-PINN produjo espectros suaves y convergidos a partir de un solo cuadro, lo que la hace insensible al tamaño del ensamble.
• Correlación de Ranura Difusa (FSC): Fue el único método que proporcionó estimaciones libres de sesgo hasta un límite de número de onda determinado por la densidad de partículas. Sin embargo, las estimaciones de FSC de un solo cuadro exhibieron fuertes oscilaciones (alta varianza). Estas fluctuaciones fueron suprimidas mediante el promedio de ensamble, con una incertidumbre que decae como $N_f^{-1/2}$.
• Límites de Resolución: El ancho de banda resuelto del estimador FSC ($k_{max}$) aumentó con la densidad de partículas, pero escaló de forma sublineal con $\sqrt{N_p}$. En la densidad más alta probada ($N_p=20,000$), la FSC alcanzó aproximadamente $0.92 k_\eta$.

Costo Computacional
El estudio destacó un compromiso entre la precisión y el esfuerzo computacional. Los métodos basados en rejilla (Interpolación y PINN) fueron computacionalmente eficientes (segundos por cuadro). En contraste, FSC y NUDFT operan directamente sobre muestras dispersas, con costos de FSC que escalan como $O(N_p^2)$ debido a los cálculos de correlación de pares. Con $N_p=20,000$, la FSC requirió aproximadamente 72 segundos por cuadro, significativamente más tiempo que el enfoque PINN.

Significado y Afirmaciones
El artículo concluye que la elección del estimador depende de los requisitos específicos de la aplicación con respecto al sesgo, la varianza y los recursos computacionales:

• La L1-PINN se presenta como el método óptimo para obtener estimaciones rápidas y suaves de un solo cuadro donde un pequeño sesgo residual es aceptable.
• La FSC con normalización local se identifica como el método superior para obtener espectros insesgados y promediados por ensamble que se extiendan hacia el rango disipativo, siempre que se disponga de suficientes recursos computacionales y tamaños de ensamble para suprimir la varianza.

Los autores afirman que, aunque este estudio se realizó en un flujo 2D, las conclusiones fundamentales sobre las características de sesgo-varianza de estos estimadores se espera que se mantengan para flujos tridimensionales, aunque el costo computacional de la FSC aumentaría significamente debido al crecimiento cúbico de los pares de partículas. El trabajo establece que la estimación espectral insesgada a partir de datos de PTV irregulares es viable, pero requiere el promedio de ensamble y una selección cuidadosa del estimador para gestionar el compromiso entre sesgo y varianza.