Résumé technique : Localisation de sources par pilotage de la parcimonie dans les applications de détection tomographique

Énoncé du problème

L'article traite du défi critique consistant à identifier, localiser et quantifier les sources de rejet de contaminants atmosphériques (par exemple, des agents de guerre chimique ou des produits chimiques industriels toxiques) dans des environnements complexes. Bien que les systèmes de détection à distance hyperspectrale, spécifiquement les spectromètres de transformée de Fourier infrarouge (FTIR) à réseau de pixels focalisés (FPA), offrent une haute résolution spatiale pour la détection de panaches invisibles et dangereux, l'utilisation simultanée de deux de ces systèmes permet une reconstruction tomographique. Cependant, le problème inverse de la reconstruction de la distribution initiale de la source à partir de mesures partielles, parsemées ou basées sur des seuils, est sévèrement mal posé et sous-déterminé.

Les approches traditionnelles reposent souvent sur une régularisation de type $L_2$ (par exemple, Tikhonov), qui suppose des distributions de sources lisses. Cela est inadapté aux scénarios réalistes où les sources de contaminants sont hautement localisées (parcimonieuses) et où les mesures sont limitées. De plus, les méthodes de régularisation de parcimonie existantes ont principalement été validées sur des configurations de capteurs ponctuels, laissant un fossé dans l'application de ces techniques aux configurations tomographiques qui fournissent des données de contour ou de niveau de contour plutôt que des valeurs de concentration ponctuelles.

Méthodologie

Les auteurs proposent un cadre unifié qui combine la modélisation du transport basée sur la physique avec des techniques d'optimisation favorisant la parcimonie, adaptées aux données tomographiques.

1. Modélisation mathématique

• Modèle direct : Le transport des contaminants est régi par l'équation d'advection-diffusion avec un coefficient de diffusion $\kappa$ et un champ de vitesse du vent $\mathbf{v}$. Le domaine $\Omega$ comprend des frontières d'entrée ($\Gamma^-$), de sortie ($\Gamma^+$) et de glissement sans frottement ($\Gamma_0$).
• Modèle d'observation : Au lieu de mesures ponctuelles, le système utilise des données FPA-FTIR pour identifier un ensemble de niveau (contour) où la concentration est égale à un seuil spécifique $c$ à un temps d'observation $t_{obs}$. L'opérateur d'observation projette l'état sur ce contour de niveau $\Gamma_{t_{obs}}$.
• Formulation du problème inverse : L'objectif est de reconstruire la condition initiale $m$ (la source) de telle sorte que la concentration simulée corresponde au seuil mesuré le long du contour observé.

2. Optimisation pilotée par la parcimonie

Pour gérer la nature sous-déterminée du problème et la nature localisée des sources, les auteurs modélisent la source comme une superposition de plusieurs atomes finis (fonctions de Dirac) avec des localisations et des intensités inconnues.

• Cadre variationnel : Le problème est relaxé en un problème d'optimisation sur l'espace des mesures de Radon positives $\mu$. La fonction objectif minimise l'écart $L_2$ entre les ensembles de niveaux simulés et mesurés, régularisée par la variation totale (la masse de la mesure $\mu(\bar{\Omega})$) :
  $$\min_{\mu \in \mathcal{M}_+(\bar{\Omega})} J(\mu) := \frac{1}{2} \| \hat{\mathcal{F}}(\mu) - c \|_{L_2(\Gamma_{t_{obs}})}^2 + \alpha \mu(\bar{\Omega})$$
• Algorithme : La stratégie de Point Actif Dual Primal (PDAP) est employée. Cet algorithme approxime de manière itérative les minimiseurs parcimonieux en alternant entre :
  1. Mises à jour gourmandes : Identification de nouvelles localisations de sources (atomes) basées sur le gradient de l'écart (dérivé de la solution adjointe).
  2. Optimisation : Mise à jour des intensités des sources actives.
• Discrétisation : Une contribution technique clé est l'adaptation de l'algorithme PDAP aux données de niveau de contour. Les auteurs discrétisent le terme de source singulier dans l'équation adjointe (une distribution de Dirac linéaire le long du contour) en utilisant un opérateur de trace qui projette les fonctions de base d'éléments finis sur le maillage discret du contour. Cela évite des procédures de remeshage coûteuses en représentant les mesures indépendamment du maillage de calcul.

Principales contributions

1. Cadre unifié pour la détection tomographique : L'article comble le fossé entre les méthodes d'identification de sources parcimonieuses (précédemment validées sur des capteurs ponctuels) et la détection à distance tomographique (FPA-FTIR). Il adapte l'algorithme PDAP pour traiter des observations basées sur des contours plutôt que des données ponctuelles.
2. Représentation par ensemble de niveau : Les auteurs introduisent une description par ensemble de niveau de la concentration de seuil pour intégrer les données de mesure tomographique dans la formulation discrète. Cela permet une représentation des mesures indépendante du maillage et évite le coût de calcul du remeshage.
3. Tractabilité numérique : Le travail démontre que le problème inverse parcimonieux résultant, malgré la complexité de la contrainte d'advection-diffusion et la non-linéarité de l'observation de l'ensemble de niveau, reste numériquement traitable grâce à la stratégie d'optimisation proposée.

Résultats numériques

La méthode a été validée à l'aide d'un cas de test synthétique impliquant un domaine complexe avec des empreintes de bâtiments importées d'OpenStreetMap.

• Configuration : Un champ de vent synthétique et un rejet de contaminant ont été simulés. Les mesures ont été extraites à $t=5,0$ s sous la forme d'un contour où la concentration $c = 10^{-3}$.
• Performance : L'algorithme PDAP a reconstruit avec succès la localisation et l'intensité de la source.
  • L'algorithme a convergé en seulement 16 itérations, nécessitant 16 résolutions de l'EDP directe et 16 résolutions de l'EDP adjointe.
  • Le centre de la source reconstruite ($x_{post}$) a été localisé à $[-241,2, -40,9]$ m, comparativement à la vérité terrain de $[-241, -41]$ m, avec une erreur d'intensité inférieure à 2 %.
  • L'erreur de reconstruction pour la distribution du contaminant est restée inférieure à 1 % dans tout le domaine.
• Prédiction : La reconstruction précise de la source initiale a permis une prédiction fiable de l'évolution future du panache (jusqu'à $t=100$ s).

Signification et affirmations

L'article affirme que ce travail établit la localisation de source tomographique pilotée par la parcimonie comme une approche informatiquement réalisable pour la conscience situationnelle en temps réel dans les scénarios de rejet de matières dangereuses.

• Efficacité : L'approche nécessite un nombre relativement faible de résolutions d'EDP même pour des données de mesure à haute résolution, ce qui la rend adaptée aux applications à grande échelle.
• Densité d'information : En exploitant l'imagerie hyperspectrale FPA-FTIR, la méthode utilise nettement plus d'informations spatiales que les détecteurs ponctuels isolés, ce qui est crucial pour l'alerte précoce et la réponse d'urgence rapide.
• Limites et travaux futurs : Les auteurs notent modestement que l'étude actuelle repose sur des données synthétiques et n'intègre pas encore de bruit de capteur ou de modélisation de la turbulence 3D complexe. Ils reconnaissent que bien qu'une modélisation d'ordre réduit (ROM) ait été étudiée pour l'accélération, la dépendance du contour de mesure par rapport à la solution empêche une pré-computation hors ligne directe dans ce montage spécifique. Les travaux futurs visent à intégrer des modèles de bruit, à combiner plusieurs types de capteurs (par exemple, le lidar de polarisation) et à valider la méthode avec des données de terrain réelles.