Bubble2Heat: Optical to Thermal Inference in Pool Boiling Using Physics-encoded Generative AI

Sintesi Tecnica: Bubble2Heat: Inferenza Ottica-Termica nel Boiling in Pool mediante IA Generativa con Codifica Fisica

Definizione del Problema
La caratterizzazione quantitativa del trasferimento di calore multifase nel boiling in pool è ostacolata dalla difficoltà di misurare i campi di temperatura all'interno di regimi di flusso caotici e in rapida evoluzione. Sebbene la fluidodinamica computazionale (CFD) possa fornire dati ad alta risoluzione, replicare condizioni sperimentali complesse rimane proibitivamente difficile. Al contrario, gli esistenti strumenti diagnostici sperimentali (ad esempio, array di microriscaldatori, termografia a infrarossi, PLIF) sono spesso limitati da configurazioni delicate, risoluzione spaziale/temporale limitata o dall'incapacità di fornire dati termici densi a livello di campo, adatti per una modellazione generalizzata. Esiste una necessità critica di un metodo per estrarre ricche informazioni termiche da misurazioni facilmente accessibili, come registrazioni ottiche ad alta velocità e dati puntuali di termocoppie, senza richiedere tecniche di rilevamento intrusive o avanzate.

Metodologia
Gli autori propongono un framework di deep learning, denominato Bubble2Heat, che utilizza una Rete Generativa Avversaria Condizionale con Codifica Fisica (PECGAN) per inferire campi di temperatura 2D da immagini ottiche ad alta velocità segmentate e riferimenti di temperatura puntuali.

• Generazione dei Dati: Il framework si basa su un metodo di simulazione ibrido Lattice Boltzmann e Finite Difference (LB-FD) per generare i dati di addestramento "ground truth". Questo dataset consiste in coppie di mappe di contorno di fase (solido, liquido, vapore) e campi di temperatura normalizzati attraverso 9 distinti set di simulazione con diverse configurazioni di riscaldatore e temperature.
• Pre-elaborazione e Allineamento:
  • Dati di Simulazione: I contorni di fase sono derivati tramite soglia dei campi di densità. Le mappe di temperatura sono normalizzate in un numero di Jakob modificato ($T^*$).
  • Dati Sperimentali: Le immagini ad alta velocità vengono elaborate utilizzando una Mask R-CNN pre-addestrata per la segmentazione di istanze al fine di isolare le regioni di vapore. Le mappe di temperatura di riferimento sono costruite manualmente a partire dalle letture delle termocoppie e normalizzate per corrispondere alla scala della simulazione.
• Architettura del Modello: La PECGAN impiega un generatore di tipo U-Net e un discriminatore feedforward.
  • Input: Il generatore riceve uno stack di mappe di contorno di fase (l'attuale e $p$ frame passati) e una mappa di temperatura di riferimento ($T_{ref}$).
  • Obiettivo di Addestramento: Il generatore minimizza una combinazione pesata della perdita di temperatura ($L_T$), della perdita di gradiente ($L_{\nabla T}$) e della perdita avversaria ($L_{GAN}$). Il discriminatore è addestrato per distinguere le coppie di immagini reali da quelle generate.
  • Codifica Fisica: Invece di codificare esplicitamente le equazioni governanti (come nelle PINN), il modello le codifica implicitamente attraverso i dati di addestramento e l'uso di input sequenziali (contesto temporale) per mantenere la coerenza con la dinamica delle bolle.
• Data Augmentation: Per compensare la mancanza di vincoli fisici espliciti e migliorare la robustezza, gli autori applicano il mirroring orizzontale (invarianza di prospettiva) durante l'addestramento. Ciò impedisce al modello di fare affidamento su orientamenti di visione fissi.

Contributi Chiave

1. Sviluppo del Framework: Una nuova pipeline di deep learning che colma il divario tra fenomeni multifase osservabili (immagini ottiche) e trasporto termico sottostante (campi di temperatura) utilizzando modelli generativi addestrati tramite simulazione.
2. Inferenza con Codifica Fisica: Dimostrazione che una Conditional GAN (CGAN) addestrata esclusivamente su dati di simulazione può essere applicata direttamente a dati sperimentali per inferire campi di temperatura, a condizione che i dati di input siano pre-elaborati in un formato condiviso (maschere di fase + temperatura di riferimento).
3. Strategia del Contesto Temporale: Implementazione di uno schema di inferenza immagine-immagine many-to-one (utilizzando una sequenza di contorni di fase passati) per affrontare problemi in cui i contorni delle bolle possono scomparire o diventare instabili a causa di errori di quantizzazione o segmentazione, migliorando così la coerenza temporale.
4. Augmentation per la Plausibilità Fisica: Validazione del fatto che le strategie standard di data augmentation (ad esempio, il flipping delle immagini) migliorano efficacemente la plausibilità fisica dell'inferenza e riducono il bias direzionale, anche in assenza di vincoli fisici rigorosi.

Risultati

• Performance della Simulazione: Il modello ($G_{p=3, T_{ref}}^+$) ha raggiunto un errore medio assoluto (MAE) medio di circa 0,0395 in unità di temperatura normalizzate per la regione del fluido. L'aumento del numero di contorni di fase passati ($p$) ha generalmente ridotto l'errore di inferenza, in particolare per la coerenza temporale, sebbene abbia leggermente aumentato l'errore di gradiente a causa del rumore locale.
• Trend Fisici: I risultati inferiti hanno riprodotto con successo i trend globali osservati nella simulazione, come l'aumento della temperatura in eccesso e della differenza di temperatura superficiale all'aumentare della frazione di vuoto. Il modello ha inoltre mantenuto correttamente l'ordine relativo della temperatura: Solido > Vapore > Liquido.
• Applicazione Sperimentale: Quando applicato a dati sperimentali, il modello ha preservato i trend fisici qualitativi, come l'ordine di temperatura tra le fasi. Tuttavia, l'accuratezza quantitativa è stata limitata dal significativo disallineamento nelle condizioni termodinamiche e nella dinamica delle bolle (ad esempio, intervalli di frazione di vuoto) tra i dati di addestramento della simulazione e i dati di test sperimentali.
• Limitazioni: Lo studio riconosce che gli errori di inferenza aumentano quando i comportamenti delle bolle (ad esempio, pattern di nucleazione rispetto a quelli di distacco) o i regimi termodinamici nei dati di test divergono significativamente dalla distribuzione di addestramento. Il modello incontra difficoltà nei regimi ad alto flusso di calore dove le frazioni di vuoto superano l'intervallo visto durante l'addestramento.

Significatività e Rivendicazioni
Il documento sostiene che i modelli generativi profondi offrono un approccio potente per integrare e interpretare le misurazioni sperimentali in sistemi complessi a due fasi dove la misurazione diretta dei campi termici è impraticabile. Gli autori posizionano questo lavoro come un passo avanti nel collegare l'apprendimento basato sulla simulazione con l'analisi sperimentale, consentendo l'inferenza di informazioni termiche altrimenti inaccessibili a partire dai dati visivi.

Gli autori mantengono una posizione modesta, osservando che, sebbene il framework produca inferenze qualitativamente accurate e catturi i principali trend fisici, le sue prestazioni quantitative sono attualmente limitate dalla diversità dei dataset di addestramento disponibili. Essi affermano che l'approccio fornisce un'alternativa valida per la generazione di dati termici senza richiedere mappe di velocità o altre variabili sperimentali difficili da raccogliere, ma sottolineano che l'acquisizione di dataset simulati e sperimentali diversificati attraverso diversi regimi di boiling rimane una sfida fondamentale per i miglioramenti futuri.