Cavity shape reconstruction with a homogeneous Robin condition via a constrained coupled complex boundary method with ADMM

Riepilogo Tecnico: Ricostruzione della Forma di una Cavitá tramite Condizione di Robin Omogenea con CCBM Vincolato e ADMM

Enunciato del Problema
Questo studio affronta il problema inverso di identificazione al contorno di ricostruire un confine interno $\Gamma$ sconosciuto di una cavitá all'interno di un corpo conduttore $\Omega$. Il dominio è doppiamente connesso, delimitato da un confine esterno accessibile $\Sigma$ e dal confine interno inaccessibile $\Gamma$. La variabile di stato $u$ (che rappresenta il potenziale elettrico o la temperatura) soddisfa l'equazione di Laplace $-\Delta u = 0$ in $\Omega$. Sul confine accessibile $\Sigma$, sono prescritti dati di Cauchy $(f, g)$, dove $u=f$ e $\partial_n u = g$. Sul confine sconosciuto $\Gamma$, la funzione soddisfa una condizione di Robin omogenea: $\partial_n u + \alpha u = 0$, dove $\alpha$ è una costante strettamente positiva.

Il problema è intrinsecamente mal posto. Sebbene l'unicità locale possa valere per domini specifici, una singola coppia di Cauchy corrisponde generalmente a infiniti domini ammissibili, rendendo la ricostruzione di $\Gamma$ indeterminata senza vincoli aggiuntivi o regolarizzazione. Inoltre, i metodi classici di ottimizzazione della forma spesso faticano a recuperare con precisione caratteristiche concave o non convesse del confine, specialmente in contesti di misurazione singola.

Metodologia
Gli autori propongono una nuova applicazione del Metodo a Confine Complesso Accoppiato (CCBM) combinata con un framework del Metodo Alternato dei Moltiplicatori (ADMM) per affrontare queste sfide.

1. Formulazione CCBM:
   Il problema reale sovraccarico originale è riformulato come un problema ai valori al contorno a valori complessi. I dati di Cauchy su $\Sigma$ sono accoppiati tramite una condizione di Robin complessa: $\partial_n u + i\rho u = g + i\rho f$ su $\Sigma$, mentre la condizione fisica di Robin $\partial_n u + \alpha u = 0$ rimane su $\Gamma$. Qui, $u = u_1 + iu_2$ è una soluzione a valori complessi.
   Il problema inverso è trasformato in un problema di ottimizzazione della forma: trovare il dominio $\Omega$ tale che la parte immaginaria della soluzione, $u_2$, si annulli in $\Omega$. Il funzionale costo da minimizzare è $J(\Omega) = \frac{1}{2} \int_\Omega |u_2|^2 dx$.

2. Analisi di Sensibilità della Forma:
   Il documento deriva la derivata di forma del funzionale costo utilizzando il calcolo delle forme. Il gradiente è espresso come un integrale di bordo su $\Gamma$ che coinvolge la soluzione di stato $u$ e uno stato aggiunto $p$. Il sistema aggiunto è un'equazione alle derivate parziali complessa con condizioni al contorno specifiche derivate dal Lagrangiano del problema di ottimizzazione.

3. Ottimizzazione Vincolata tramite ADMM:
   Per migliorare la stabilità rispetto al rumore e a inizializzazioni scadenti, in particolare per geometrie concave, gli autori introducono un vincolo di disuguaglianza sulla parte reale della variabile di stato: $a \leq \Re\{u\} \leq b$ quasi ovunque in $\Omega$.
   Ciò porta a un problema di ottimizzazione della forma vincolato (Problema 3). Per risolverlo, gli autori impiegano una strategia ADMM:

   • Separazione delle Variabili: Viene introdotta una variabile ausiliaria $v$ per disaccoppiare il vincolo di disuguaglianza dall'equazione di stato.
   • Lagrangiano Aumentato: Il problema è risolto minimizzando un funzionale Lagrangiano aumentato.
   • Schema Iterativo: L'algoritmo alterna tra:
     • Aggiornamento della Forma (SP1): Minimizzazione del Lagrangiano aumentato rispetto alla forma $\omega$ (utilizzando il gradiente di forma derivato e un metodo del gradiente di Sobolev per la deformazione della mesh).
     • Aggiornamento della Variabile (SP2): Aggiornamento della variabile ausiliaria $v$ tramite proiezione sull'insieme convesso ammissibile $K = \{v \in L^2(\Omega) : a \leq v \leq b\}$.
     • Aggiornamento del Moltiplicatore: Aggiornamento del moltiplicatore di Lagrange $\lambda$.

Contributi Chiave

• Nuova Applicazione del CCBM: Questo lavoro estende il framework CCBM, precedentemente utilizzato per problemi inversi di sorgente e conducibilità, all'identificazione di confini di Robin.
• Formulazione Vincolata: L'integrazione di vincoli di disuguaglianza nel framework CCBM tramite ADMM è un contributo primario. Questo approccio impone limiti fisici alla variabile di stato senza introdurre termini aggiuntivi di regolarizzazione geometrica (come la penalizzazione del perimetro), preservando così la struttura originale del CCBM mentre ne migliora la stabilità.
• Derivazione della Derivata di Forma: Il documento fornisce una derivazione rigorosa del gradiente di forma per il sistema di stato complesso accoppiato con la separazione ADMM, includendo multiple espressioni alternative per il gradiente basate su diverse formulazioni dello stato aggiunto.
• Implementazione Numerica: Il metodo è implementato utilizzando il Metodo agli Elementi Finiti (FEM) in FreeFem++, sfruttando una rappresentazione di Riesz $H^1$ del gradiente di forma per garantire deformazioni della mesh lisce.

Risultati Numerici
Il metodo proposto è stato validato attraverso vari esperimenti numerici che coinvolgono diverse forme di cavitá (ellisse, aquilone, quadrato, blocco a L) e livelli di rumore.

• Rilevamento della Concavità: Il metodo CCBM non vincolato ha mostrato prestazioni migliorate rispetto agli approcci classici nel rilevare regioni concave, ma ha ancora mostrato limitazioni nel risolvere la profondità delle concavità, specialmente con piccoli coefficienti di Robin ($\alpha$) o dati rumorosi.
• Impatto dei Vincoli: L'approccio vincolato ADMM ha dimostrato una robustezza superiore. Ha soppresso efficacemente le oscillazioni spurie indotte dal rumore e ha fornito ricostruzioni più stabili attraverso diverse ipotesi iniziali.
• Sensibilità ai Parametri: È stato riscontrato che il parametro di peso $\rho$ nell'accoppiamento complesso influenza la sensibilità alle caratteristiche geometriche; valori più grandi hanno migliorato la risoluzione dei dettagli fini ma hanno richiesto una taratura attenta per evitare l'amplificazione del rumore.
• Influenza dei Dati: La qualità della ricostruzione è stata altamente dipendente dai dati di Dirichlet prescritti $f$. Eccitazioni spazialmente variabili (ad esempio, funzioni trigonometriche) hanno prodotto un recupero significativamente migliore delle caratteristiche concave rispetto ai dati costanti.
• Robustezza al Rumore: Sotto bassi livelli di rumore ($\delta = 0.005, 0.01$), il metodo ADMM vincolato ha mantenuto la coerenza geometrica, mentre il metodo non vincolato ha mostrato una maggiore sensibilità all'inizializzazione e al rumore.

Significato e Affermazioni
Il documento afferma che il proposto framework ADMM-CCBM offre un approccio più stabile e robusto per i problemi di ricostruzione inversa della forma che coinvolgono condizioni di Robin omogenee rispetto alla formulazione CCBM standard. Il significato risiede nella capacità di gestire la grave mal-postezza dei problemi inversi a misurazione singola, in particolare nel recupero di geometrie non convesse.

Gli autori notano modestamente che, sebbene il metodo migliori la stabilità e riduca le oscillazioni, il recupero accurato della profondità e della nitidezza delle concavità rimane una sfida a causa della mal-postezza intrinseca del problema. Il miglioramento è attribuito all'imposizione di vincoli sullo stato motivati fisicamente tramite ADMM, che guida il processo di ottimizzazione in modo più efficace rispetto ai funzionali a minimi quadrati o a gap energetico non vincolati. Il lavoro non afferma di risolvere il problema dell'identificabilità (unicità), ma piuttosto fornisce una strategia numerica che produce "ricostruzioni ragionevoli" e "recupero qualitativo migliorato" dove i metodi classici spesso falliscono o producono artefatti. Si suggerisce che il lavoro futuro includa misurazioni multiple e selezione adattiva dei parametri.