Offline accuracy is not enough: closed-loop instability and stabilisation of a wall-sensor neural estimator in opposition control

Resumen Técnico: La precisión en el modo offline no es suficiente: Inestabilidad de bucle cerrado y estabilización de un estimador neuronal de pared-sensor en control de oposición

Planteamiento del problema
El control de oposición es una estrategia de control activo de flujo canónica que reduce la fricción superficial mediante la imposición de una velocidad de soplado y succión normal a la pared, igual y opuesta a la velocidad normal a la pared medida en un plano de detección dentro de la capa de transición. Aunque es eficaz, esta estrategia requiere magnitudes de detección (velocidad en $z^+ \approx 14$) que no están disponibles mediante sensores montados en la pared. Aunque el aprendizaje profundo y la estimación estocástica lineal han demostrado una reconstrucción de alta fidelidad offline de las cantidades del flujo interno a partir del esfuerzo cortante en la pared ($\tau_x, \tau_y$), sigue sin probarse si tales estimadores pueden funcionar como sustitutos en vivo dentro de un sistema de retroalimentación de bucle cerrado. La cuestión central abordada es si un estimador neuronal, entrenado sobre un estado de flujo fijo, puede mantener la estabilidad y el rendimiento cuando se despliega para modificar activamente el mismo flujo que detecta.

Metodología
Los autores emplean una Simulación Numérica Directa (DNS) de un flujo de canal turbulento con un número de Reynolds de fricción $Re_\tau = 180$. El bucle de control opera de la siguiente manera:

1. Detección: El controlador lee los componentes instantáneos del esfuerzo cortante en la pared ($\tau_x, \tau_y$).
2. Estimación: Una red de Unidad Recurrente de Compuerta Convolucional (ConvGRU) mapea estas señales de pared a una estimación de la velocidad normal a la pared en el plano de detección ($\hat{w}$). La arquitectura recurrente proporciona contexto temporal, abordando la naturaleza subdeterminada de inferir campos fuera de la pared a partir de una única instantánea de la pared.
3. Actuación: La velocidad estimada se utiliza en la ley de oposición ($w_{wall} = -\alpha \hat{w}$) para imponer una condición de contorno de soplado y succión de masa neta cero.

El estudio procede a través de tres fases distintas:

• Validación Offline: El estimador se entrena con datos de un flujo de control de oposición (OC) ideal y estadísticamente estacionario y se valida en modo offline.
• Análisis de Fallo de Bucle Cerrado: El estimador se despliega directamente. Los autores analizan el mecanismo de inestabilidad, observando que pequeños errores de alto número de onda en la estimación, cuando se imponen como una condición de contorno, se acumulan y desvían el flujo de la distribución de entrenamiento (desplazamiento de distribución).
• Estrategia de Estabilización: Se introducen dos medidas correctivas:
  1. Coincidencia Espectral: Se aplica un filtro de paso bajo espectral y un reescalado espectral en la dirección transversal a la actuación desplegada. Esto fuerza el espectro de energía del campo estimado a coincidir con la distribución de entrenamiento de referencia, eliminando los modos de alto número de onda inestables que la señal de la pared no puede resolver.
  2. Reentrenamiento en Bucle Cerrado: El estimador se reentrena con los datos recolectados del propio flujo controlado (recolección iterativa de datos). Esto alinea la distribución de entrenamiento del estimador con el atractor real del sistema controlado.

Resultados Clave

• Discrepancia Offline vs. Online: El estimador logra una precisión offline casi perfecta (correlación $\rho \approx 0.99$) pero falla catastróficamente en bucle cerrado. Sin intervención, la correlación cae a cero en 15–20 unidades de tiempo viscoso, y la solución diverge.
• Mecanismo de Fallo: La inestabilidad es impulsada por errores de alto número de onda. Aunque estos errores son energéticamente insignificantes en modo offline, se amplifican mediante el bucle de retroalimentación no lineal cuando se imponen como una condición de contorno. Las soluciones estándar, como las medias móviles exponenciales (EMA) o el filtrado de paso bajo, retrasan la divergencia pero aceleran la pérdida de correlación, fallando en producir un controlador funcional.
• Éxito de la Estabilización:
  • La aplicación de la coincidencia espectral por sí sola estabiliza el bucle indefinidamente, pero produce solo un 14.6% de reducción de arrastre (frente al 22.7% del OC ideal) porque el estimador todavía opera con un desajuste de distribución.
  • El reentrenamiento del estimador con los datos del flujo de bucle cerrado (proceso iterativo) realinea las estadísticas del flujo. Una segunda iteración de reentrenamiento (retrain-2) produce un controlador estable con una reducción de arrastre media del 19.7%, acercándose estrechamente al rendimiento ideal de OC.
• Estructura del Flujo: El controlador de solo pared, reentrenado dos veces, reproduce la estructura de la turbulencia cerca de la pared del control de oposición ideal. Los perfiles de velocidad media, el esfuerzo cortante de Reynolds, las fracciones de eventos de cuadrante (eyecciones y barridos) y los espectros de energía bidimensionales son casi indistinguibles del caso OC ideal, diferenciándose solo por un ligero exceso en la actividad cerca de la pared, consistente con la reducción de arrastre marginalmente menor.

Significado y Reivindicaciones
El artículo afirma que la precisión offline es insuficiente para el control de flujo en bucle cerrado. El obstáculo principal no es la capacidad de reconstruir el flujo offline, sino la consistencia dinámica de dicha reconstrucción cuando el controlador modifica el flujo.

Los autores identifican que el fallo surge de un desplazamiento de distribución inducido por el propio controlador, específicamente en la banda de alto número de onda donde las mediciones de pared poseen información insuficiente. El estudio demuestra que el control de oposición de solo pared es alcanzable mediante una corrección de dos partes:

1. Consistencia Espectral: Restringir la actuación a la banda espectral resoluble por los sensores de pared evita la inyección de energía de alto número de onda desestabilizadora.
2. Reentrenamiento en Bucle: El reentrenamiento del estimador con los datos generados por el flujo controlado asegura que el estimador siga siendo válido para el estado estadístico específico que este crea.

El trabajo establece que un estimador supervisado, entrenado offline, puede servir como un sensor en vivo si la estrategia de despliegue tiene en cuenta las limitaciones espectrales de la detección en pared y se adapta iterativamente al atractor del flujo controlado. La brecha residual en la reducción de arrastre (aproximadamente 3 puntos porcentuales) se atribuye al límite fundamental de la coherencia entre la pared y el plano de detección en la banda de alto número de onda, una restricción física más que un fallo de modelado.