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

Résumé technique : Reconstruction robuste de la forme de diffuseurs élastiques impénétrables via des méthodes d'échantillonnage spectral de monotonicité

Énoncé du problème
L'article traite du problème inverse de la reconstruction de l'emplacement et de la forme d'un diffuseur élastique impénétrable bidimensionnel $D$ inconnu à partir de mesures de champ lointain. Le diffuseur est enchâssé dans un milieu élastique homogène et isotrope et est illuminé par des ondes planes élastiques harmoniques temporelles. L'étude considère deux conditions aux limites canoniques :

1. Diffuseurs rigides impénétrables : satisfaisant la condition de Dirichlet (déplacement total nul).
2. Diffuseurs sans traction (traction-free) impénétrables : satisfaisant la condition de Neumann (traction de surface nulle).

Le problème est intrinsèquement non linéaire et mal posé, où de petites perturbations de mesure peuvent entraîner des instabilités significatives dans les frontières reconstruites. Bien que des résultats d'unicité existent pour ces problèmes, le développement d'algorithmes numériques robustes capables de gérer le bruit et de résoudre des géométries complexes (incluant des caractéristiques concaves) reste un défi.

Méthodologie
Les auteurs développent un cadre basé sur la méthode de monotonicité, en l'étendant des domaines bornés et des contextes acoustiques/électromagnétiques à la diffusion élastique non bornée. La méthodologie se déroule selon les étapes suivantes :

1. Factorisation d'opérateur : L'article établit la factorisation des opérateurs de champ lointain élastique ($F_d$ pour le cas rigide, $F_n$ pour le cas sans traction) en utilisant des opérateurs de potentiel de couche simple, des opérateurs d'intégrale de bord et des opérateurs de données-vers-profil (data-to-pattern). Cette factorisation lie les données de champ lointain à la géométrie du diffuseur.
2. Fonctions d'ondes localisées : L'existence de « fonctions d'ondes localisées » (suites de fonctions d'ondes de Herglotz) est prouvée. Ces fonctions concentrent l'énergie sur un domaine de sondage $B$ tout en devenant asymptotiquement invisibles pour le diffuseur $D$ si $B$ n'est pas contenu dans $D$. Cette propriété est cruciale pour distinguer l'intérieur de l'extérieur du diffuseur.
3. Caractérisation de la monotonicité : La contribution théorique centrale implique la dérivation de critères précis basés sur les propriétés spectrales d'un opérateur de monotonicité $A_B$. Cet opérateur est défini comme une combinaison linéaire spécifique de la partie réelle de l'opérateur de champ lointain et de l'opérateur de sondage ($H_B^* H_B$).
   • Pour un diffuseur rigide : $A_B = -\Re(F_d) - H_B^* H_B$.
   • Pour un diffuseur sans traction : $A_B = \Re(F_n) - H_B^* H_B$.
   • Théorèmes 4.1 & 4.2 : L'article prouve que si un domaine de sondage $B$ est contenu dans le diffuseur ($B \subseteq D$), l'opérateur $A_B$ possède seulement un nombre fini de valeurs propres négatives. Inversement, si $B \not\subseteq D$, $A_B$ possède une infinité de valeurs propres négatives.

Contributions clés et algorithmes
L'article identifie une limitation critique des méthodes classiques d'échantillonnage basées sur la monotonicité : la dépendance au comptage du nombre de valeurs propres négatives. Comme l'opérateur de monotonicité est compact et auto-adjoint, ses valeurs propres s'accumulent vers zéro. Par conséquent, un bruit arbitrairement petit peut inverser le signe des valeurs propres proches de zéro, rendant la carte de comptage discontinue et extrêmement sensible aux erreurs de mesure.

Pour surmonter cela, les auteurs proposent deux nouvelles méthodes d'échantillonnage spectral qui utilisent les magnitudes des valeurs propres négatives plutôt que simplement leurs signes :

1. Échantillonnage de monotonicité par comptage (Algorithme 1) : Une méthode de base qui compte les valeurs propres négatives sous un certain seuil. Elle sert de référence théorique mais s'avère instable face au bruit.
2. Échantillonnage spectral de monotonicité à fréquence unique (Algorithme 2) : Au lieu de compter, cette méthode définit une fonction indicatrice $I_{sum}$ comme la somme des valeurs propres négatives de l'opérateur de monotonicité discrétisé. En exploitant la dépendance continue des magnitudes des valeurs propres vis-à-vis des perturbations des données, cette méthode atteint une continuité de Lipschitz par rapport au bruit, offrant une stabilité nettement améliorée.
3. Échantillonnage spectral de monotonicité multi-fréquence (Algorithme 3) : Cette méthode agrège les indicateurs spectraux à travers une gamme de fréquences. Elle combine la stabilité des données de basse fréquence (qui capturent le support grossier) avec les capacités de haute résolution des données de haute fréquence (qui capturent les détails fins de la frontière). L'indicateur multi-échelle résultant équilibre la robustesse au bruit et la fidélité géométrique.

Résultats
Des expériences numériques approfondies ont été menées sur diverses géométries de diffuseurs (carré, forme de Cassini, forme de cerf-volant, forme à trois feuilles) sous des conditions rigides et sans traction.

• Performance sans bruit : Toutes les méthodes reconstruisent avec succès l'emplacement du diffuseur. Cependant, la méthode de comptage (Algorithme 1) présente des artefacts visibles, particulièrement pour les frontières concaves, tandis que les méthodes spectrales (Algorithmes 2 et 3) produisent des reconstructions plus nettes.
• Robustesse au bruit :
  • À de faibles niveaux de bruit (ex. 0,1 %), la méthode de comptage montre une dégradation de la netteté des frontières.
  • À des niveaux de bruit élevés (ex. 10 %), la méthode de comptage échoue complètement, produisant des reconstructions sans signification.
  • La méthode spectrale à fréquence unique (Algorithme 2) maintient l'intégrité structurelle et une localisation précise de la frontière même avec 10 % de bruit, bien qu'avec un certain flou.
  • La méthode spectrale multi-fréquence (Algorithme 3) démontre la plus grande robustesse, reconstruisant avec précision les caractéristiques concaves complexes et maintenant des frontières nettes même sous une contamination importante par le bruit.

Signification et revendications
L'article affirme que les méthodes d'échantillonnage spectral proposées représentent une amélioration fondamentale par rapport aux approches classiques de comptage pour la diffusion élastique inverse. La principale signification réside dans l'adresse de la fragilité structurelle du comptage des valeurs propres en présence de bruit. En passant d'un critère binaire basé sur le signe à une sommation continue basée sur la magnitude, les auteurs parviennent à :

1. Une stabilité accrue : Les nouveaux indicateurs sont lipschitziens par rapport aux perturbations des données, ce qui les rend viables pour des scénarios réalistes contaminés par le bruit.
2. Une fidélité géométrique améliorée : L'approche multi-fréquence résout efficacement les caractéristiques complexes, telles que les frontières concaves, qui sont difficiles à reconstruire pour les méthodes à fréquence unique ou de comptage.
3. Un cadre unifié : Ce travail fournit un cadre rigoureux basé sur la monotonicité applicable tant aux diffuseurs rigides (Dirichlet) qu'aux diffuseurs sans traction (Neumann) dans les milieux élastiques, un traitement unifié qui faisait auparavant défaut.

Les auteurs concluent que, bien que la méthode de comptage soit théoriquement correcte, les méthodes d'échantillonnage spectral sont pratiquement supérieures pour une reconstruction robuste de la forme dans les problèmes de diffusion élastique.