Estimating density, velocity, and pressure fields in supersonic flow using physics-informed BOS

Il paper presenta un nuovo approccio denominato "BOS basato su fisica" che utilizza reti neurali informate dalla fisica (PINN) per ricostruire con maggiore accuratezza i campi di densità, velocità e pressione nei flussi supersonici, risolvendo i problemi inversi mal posti tipici delle tecniche BOS convenzionali e soddisfacendo simultaneamente i dati sperimentali e le equazioni governative.

L'essenziale

Il Problema: Vedere l'Invisibile

Immagina di voler guardare un jet che vola a velocità supersonica (più veloce del suono). L'aria intorno a lui è calda, compressa e piena di onde d'urto, ma è completamente trasparente. È come cercare di capire la forma di un vento forte guardando attraverso un vetro pulito: non vedi nulla.

Gli scienziati usano una tecnica chiamata BOS (Schlieren Orientato allo Sfondo). Immagina di mettere un muro con un disegno a scacchi o a punti dietro il jet. Quando l'aria calda e densa passa davanti al disegno, agisce come una lente deformante: il disegno dietro sembra spostarsi o distorcersi.

• Il problema: Questa tecnica ti dice quanto l'immagine si è spostata, ma non ti dice direttamente com'è fatto il flusso d'aria (dove è veloce, dove è lento, qual è la pressione). È come vedere l'ombra di un oggetto: sai che c'è qualcosa, ma non sai se è una sfera o un cubo. Inoltre, calcolare la forma reale partendo da queste distorsioni è un "enigma matematico" con infinite soluzioni possibili.

La Soluzione: L'Investigatore con la Mappa

Gli autori di questo articolo hanno creato un nuovo metodo chiamato "BOS guidato dalla Fisica".
Per spiegarlo, usiamo un'analogia:

Immagina di essere un detective che deve ricostruire un crimine.

1. Il metodo vecchio: Il detective guarda solo le foto della scena del crimine (le immagini distorte) e prova a indovinare cosa è successo. Per non sbagliare troppo, usa delle regole generiche tipo "le cose tendono ad essere lisce" (regolarizzazione). Ma queste regole sono spesso sbagliate per l'aria supersonica, che è piena di picchi e vortici improvvisi. Il risultato è un'immagine sfocata e imprecisa.
2. Il nuovo metodo (PINN): Il detective ha un assistente speciale: un Intelligenza Artificiale (una Rete Neurale) che ha studiato a memoria le leggi della fisica (come l'aria si muove, come si comprime, come crea onde d'urto).

Questo assistente non indovina a caso. Fa un gioco di equilibrio:

• Guarda le foto distorte (i dati reali).
• Controlla se la sua ipotesi rispetta le leggi della fisica (le equazioni di Eulero, che governano i fluidi veloci).
• Se l'ipotesi non rispetta le leggi della fisica, la corregge. Se non corrisponde alle foto, la corregge.

In pratica, l'AI "sogna" un flusso d'aria che sia contemporaneamente coerente con le foto scattate E coerente con la fisica dell'universo.

Cosa hanno scoperto?

Hanno testato questo metodo su due scenari:

1. Un jet conico (cono-cilindro): Un modello di aereo che vola a Mach 2 (il doppio della velocità del suono).
2. Un'espansione d'aria: Un flusso che si allarga improvvisamente su un angolo.

I risultati sono stati sorprendenti:

• Precisione: Il nuovo metodo ha ricostruito la densità dell'aria molto meglio dei metodi vecchi, quasi come se avessero visto il flusso reale.
• Superpoteri: I vecchi metodi potevano solo dire "qui c'è più aria compressa". Il nuovo metodo, grazie alla fisica integrata, ha anche calcolato la velocità (quanto velocemente l'aria corre) e la pressione (quanto forte spinge), cose che prima erano invisibili.
• Robustezza: Anche quando le foto erano "rumorose" (piene di disturbi, come se fossero state scattate con una macchina fotografica tremante), l'AI è riuscita a filtrare il rumore e trovare la soluzione corretta, perché sapeva che la fisica non può comportarsi in certi modi "strani".

L'Analogia Finale: Il Puzzle che si Risolve da Solo

Pensa a un puzzle di 1000 pezzi dove molti pezzi sono persi o rovinati.

• Il metodo vecchio: Cerchi di incastrare i pezzi rimasti basandoti solo sulla loro forma. Spesso finisci per mettere un pezzo di cielo al posto di un pezzo di mare perché "sembra liscio".
• Il metodo nuovo (PINN): Hai un'AI che ti sussurra: "Ehi, so che in quel punto c'è un'onda d'urto perché le leggi della fisica dicono che l'aria non può curvarsi così dolcemente". L'AI usa questa conoscenza per guidare il tuo montaggio del puzzle, riempiendo i buchi con pezzi che hanno senso fisico, non solo visivo.

Perché è importante?

Questo lavoro è rivoluzionario perché è la prima volta che si usa questo tipo di Intelligenza Artificiale per ricostruire flussi d'aria supersonici partendo da dati reali (non solo simulazioni al computer).
Significa che in futuro potremo progettare aerei più veloci e sicuri, capendo esattamente cosa succede all'aria intorno a loro, usando meno costose e più accurate "lenti magiche" digitali.

In sintesi: hanno insegnato a un computer a "pensare come un fisico" mentre guarda una foto, permettendogli di vedere l'invisibile con una chiarezza senza precedenti.

Sommario tecnico

1. Il Problema

Le tecniche di visualizzazione fluidodinamica per flussi ad alta velocità (supersonici e ipersonici) sono essenziali per la progettazione di aeromobili, veicoli di rientro e processi di combustione. Una di queste tecniche è la Schlieren Orientata allo Sfondo (BOS - Background-Oriented Schlieren), che permette di ricostruire i campi di densità analizzando le distorsioni di un pattern di sfondo causate dai gradienti di indice di rifrazione del fluido.

Tuttavia, la BOS presenta sfide fondamentali:

• Problemi inversi mal posti: La ricostruzione del campo di densità a partire dalle immagini distorte comporta una serie di problemi inversi che ammettono un numero infinito di soluzioni.
• Necessità di regolarizzazione: Per ottenere una soluzione unica e fisica, è necessario introdurre informazioni a priori (regolarizzazione). I metodi convenzionali utilizzano termini di penalità basati sulla regolarità matematica (es. regolarizzazione di Tikhonov o Total Variation) che promuovono soluzioni lisce o a tratti lisce.
• Incompatibilità fisica: Questi metodi di regolarizzazione sono spesso incompatibili con la fisica reale dei flussi ad alta velocità (che contengono onde d'urto e discontinuità), portando a errori sistematici, artefatti di ricostruzione e perdita di dettagli fini.
• Limitazione dei dati: I metodi tradizionali forniscono solo stime della densità, rendendo difficile l'accesso diretto ai campi di velocità e pressione senza assunzioni aggiuntive.

2. Metodologia: Physics-Informed BOS (PI-BOS)

Gli autori propongono un nuovo flusso di lavoro chiamato Physics-Informed BOS, che integra un modello di misura BOS completo con le equazioni governative della fluidodinamica all'interno di una Rete Neurale Informata dalla Fisica (PINN - Physics-Informed Neural Network).

Architettura e Funzionamento

1. Rappresentazione del Flusso: Una rete neurale feed-forward profonda mappa le coordinate spaziali (assiali e radiali/verticali) direttamente ai campi di flusso: densità ($\rho$), velocità ($u, v$) ed energia totale ($E$).
2. Funzione di Perdita Totale ($L_{total}$): L'addestramento della rete minimizza una funzione di perdita composta da tre termini:
   • Perdita Dati ($L_{meas}$): Basata sul modello BOS unificato. Invece di ricostruire prima i vettori di deflessione e poi la densità, il modello unisce direttamente la densità prevista dalla rete ai dati grezzi delle immagini differenziali ($\Delta I$). Questo evita errori introdotti dalle fasi intermedie di sensing della deflessione.
   • Perdita Fisica ($L_{phys}$): Include i residui delle equazioni di Eulero (per flussi comprimibili, stazionari e non viscosi) e dell'equazione di irrotazionalità ($\nabla \times \mathbf{v} = 0$). La rete deve soddisfare queste equazioni in tutto il dominio di misura.
   • Condizioni al Contorno ($L_{in}$): Impone le condizioni di ingresso note (es. velocità e densità in ingresso nel tunnel del vento).
3. Addestramento: La rete viene ottimizzata utilizzando l'algoritmo Adam per minimizzare la somma pesata delle perdite. L'uso dell'autodifferenziazione (Automatic Differentiation) permette di calcolare le derivate parziali esatte necessarie per valutare le equazioni differenziali.

3. Contributi Chiave

• Prima applicazione PINN su dati sperimentali supersonici: Questo lavoro rappresenta, a quanto ne sanno gli autori, il primo utilizzo di una PINN per ricostruire un flusso supersonico partendo da dati sperimentali reali (non solo dati sintetici privi di rumore).
• Superamento della regolarizzazione tradizionale: Sostituendo i termini di penalità matematica (che lisciano eccessivamente) con le equazioni fisiche reali, il metodo preserva le discontinuità (onde d'urto) e i dettagli fini del flusso.
• Ricostruzione Multi-Parametro: A differenza dei metodi BOS convenzionali che forniscono solo la densità, il PI-BOS ricostruisce simultaneamente e coerentemente i campi di densità, velocità e pressione.
• Modello Unificato: L'integrazione diretta del modello di misura BOS (unificato) nella funzione di perdita evita la propagazione di errori tipici delle pipeline di elaborazione sequenziali (sensing della deflessione -> tomografia -> integrazione di Poisson).

4. Risultati

Gli autori hanno validato il metodo su tre scenari:

1. Dati Sintetici (Fantasma Analitico): Un ventaglio di espansione di Prandtl-Meyer (flusso piano).
2. Dati Sintetici (Fantasma Numerico): Un flusso attorno a un cono-cilindro a Mach 2, generato tramite CFD (SU2).
3. Dati Sperimentali: Immagini reali acquisite nel tunnel del vento trisonico del CSIR-NAL a Bangalore per un cono-cilindro a Mach 2.

Prestazioni Quantitative e Qualitative:

• Accuratezza: Le ricostruzioni PI-BOS hanno mostrato errori RMS normalizzati (NRMSE) significativamente inferiori rispetto ai metodi convenzionali (Abel inversione, BOS unificato con Tikhonov).
  • Per il caso del cono-cilindro sintetico, l'errore sulla densità è sceso dal ~6-8% (metodi convenzionali) al 3.75% (PI-BOS).
  • Gli errori per velocità e pressione sono stati estremamente bassi (es. <1.2% per la velocità).
• Robustezza al Rumore: Il metodo ha dimostrato di essere robusto anche con dati sperimentali rumorosi e con pattern di sfondo non ideali, recuperando strutture fisiche che i metodi convenzionali appiattivano o distorcevano.
• Confronto con la Realtà: La ricostruzione sperimentale ha mostrato un accordo eccellente con i dati analitici delle tabelle degli urti conici e con le simulazioni CFD, superando le ricostruzioni precedenti ottenute con tecniche standard.
• Ruolo dell'Irrotazionalità: L'inclusione del vincolo di irrotazionalità ($\epsilon_5$) nella perdita fisica ha migliorato ulteriormente la stabilità e la precisione, specialmente in presenza di rumore sperimentale.

5. Significato e Implicazioni

Questo studio segna un passo avanti significativo nella diagnostica dei flussi ad alta velocità:

• Validazione di Modelli: Fornisce un metodo per validare le simulazioni CFD con dati sperimentali ad alta risoluzione spaziale, non solo per la densità ma anche per la dinamica del flusso (velocità/pressione).
• Nuovo Paradigma di Assimilazione Dati: Dimostra che le PINN possono essere utilizzate efficacemente per l'assimilazione di dati in scenari complessi e rumorosi, superando i limiti degli algoritmi di regolarizzazione classica.
• Accessibilità: Il metodo non richiede sensori di pressione aggiuntivi o dati di velocità noti per ottenere questi campi; la fisica stessa guida la ricostruzione.
• Sfide Future: Il lavoro evidenzia anche le sfide rimaste, come la gestione delle singolarità (es. agli spigoli dei corpi) e la necessità di un'attenta sintonizzazione dei pesi delle funzioni di perdita, suggerendo che l'uso di equazioni adimensionalizzate è cruciale per la stabilità numerica.

In sintesi, il Physics-Informed BOS trasforma la BOS da una tecnica di visualizzazione qualitativa/semi-quantitativa in uno strumento di diagnostica quantitativa completo, capace di estrarre campi di flusso multi-fisici ad alta fedeltà direttamente da immagini ottiche.