Sintesi Tecnica: Localizzazione della Sorgente Basata sulla Sparsità in Applicazioni di Sensing Tomografico

Definizione del Problema

Il documento affronta la sfida critica di identificare, localizzare e quantificare le sorgenti di rilascio di contaminanti aerodispersi (ad esempio, agenti chimici bellici o prodotti chimici industriali tossici) in ambienti complessi. Sebbene i sistemi di rilevamento standoff iperspettrale, specificamente gli spettrometri FTIR con Focal Plane Array (Fıyla), offrano un'elevata risoluzione spaziale per il rilevamento di pennacchi invisibili e pericolosi, l'utilizzo simultaneo di due tali sistemi consente la ricostruzione tomografica. Tuttavia, il problema inverso di ricostruire la distribuzione iniziale della sorgente da misurazioni parziali, sparse o basate su soglie, è gravemente mal posto e sottodeterminato.

Gli approcci tradizionali si affidano spesso a una regolarizzazione di tipo $L_2$ (ad esempio, Tikhonov), che assume distribuzioni di sorgente fluide. Ciò è inadatto per scenari realistici in cui le sorgenti di contaminanti sono altamente localizzate (sparse) e le misurazioni sono limitate. Inoltre, gli esistenti metodi di regolarizzazione sparsa sono stati validati principalmente su configurazioni di sensori puntiformi, lasciando un vuoto nell'applicazione di tali tecniche a setup tomografici che forniscono dati di contorno o di livello (level-set) piuttosto che valori di concentrazione puntuali.

Metodologia

Gli autori propongono un quadro unificato che combina la modellazione del trasporto basata sulla fisica con tecniche di ottimizzazione che promuovono la sparsità, adattate per dati tomografici.

1. Modellazione Matematica

• Modello Forward: Il trasporto dei contaminanti è governato dall'equazione di advezione-diffusione con un coefficiente di diffusione $\kappa$ e un campo di velocità del vento $\mathbf{v}$. Il dominio $\Omega$ include confini di ingresso ($\Gamma^-$), uscita ($\Gamma^+$) e scivolamento libero ($\Gamma_0$).
• Modello di Osservazione: Invece di misurazioni puntuali, il sistema utilizza dati FPA-FTIR per identificare un livello di contorno (level set) dove la concentrazione è uguale a una specifica soglia $c$ a un tempo di osservazione $t_{obs}$. L'operatore di osservazione mappa lo stato verso questo livello di contorno $\Gamma_{t_{obs}}$.
• Formulazione del Problema Inverso: L'obiettivo è ricostruire la condizione iniziale $m$ (la sorgente) in modo che la concentrazione simulata corrisponda alla soglia misurata lungo il contorno osservato.

2. Ottimizzazione Guidata dalla Sparsità

Per gestire la natura sottodeterminata del problema e la natura localizzata delle sorgenti, gli autori modellano la sorgente come una sovrapposizione di un numero finito di atomi (funzioni delta di Dirac) con posizioni e intensità sconosciute.

• Quadro Variazionale: Il problema viene rilassato in un'ottimizzazione sullo spazio delle misure di Radon positive $\mu$. La funzione obiettivo minimizza l'errore $L_2$ tra i level set simulati e misurati, regolarizzato dalla variazione totale (la massa della misura $\mu(\bar{\Omega})$):
  $$\min_{\mu \in \mathcal{M}_+(\bar{\Omega})} J(\mu) := \frac{1}{2} \| \hat{\mathcal{F}}(\mu) - c \|_{L_2(\Gamma_{t_{obs}})}^2 + \alpha \mu(\bar{\Omega})$$
• Algoritmo: Viene impiegata la strategia Primal-Dual Active Point (PDAP). Questo algoritmo approssima iterativamente i minimizzatori sparsi alternando tra:
  1. Aggiornamenti greedy: Identificazione di nuove posizioni di sorgente (atomi) basata sul gradiente dell'errore (derivato dalla soluzione adiuvante).
  2. Ottimizzazione: Aggiornamento delle intensità delle sorgenti attive.
• Discretizzazione: Un contributo tecnico chiave è l'adattamento dell'algoritmo PDAP ai dati di level-set. Gli autori discretizzano il termine di sorgente singolare nell'equazione adiuvante (una distribuzione delta di linea lungo il contorno) utilizzando un operatore di traccia che mappa le funzioni base agli elementi finiti alla mesh del contorno discreto. Ciò evita costose procedure di remeshing, rappresentando le misurazioni indipendentemente dalla mesh computazionale.

Contributi Chiave

1. Quadro Unificato per il Sensing Tomografico: Il documento colma il divario tra i metodi di identificazione della sorgente sparsa (precedentemente validati su sensori puntiformi) e il sensing standoff tomografico (FPA-FTIR). Adatta l'algoritmo PDAP per gestire osservazioni basate su contorni anziché su dati puntuali.
2. Rappresentazione Level-Set: Gli autori introducono una descrizione level-set della concentrazione di soglia per incorporare i dati di misurazione tomografica nella formulazione discreta. Ciò consente una rappresentazione delle misurazioni indipendente dalla mesh ed evita la spesa computazionale del remeshing.
3. Trattabilità Numerica: Il lavoro dimostra che il problema inverso sparso risultante, nonostante la complessità del vincolo di advezione-diffusione e la non linearità dell'osservazione del level-set, rimane computazionalmente trattabile utilizzando la strategia di ottimizzazione proposta.

Risultati Numerici

Il metodo è stato validato utilizzando un caso di test sintetico che coinvolge un dominio complesso con impronte di edifici importate da OpenStreetMap.

• Configurazione: Un campo di vento sintetico e un rilascio di contaminante sono stati simulati. Le misurazioni sono state estratte a $t=5.0$ s come un contorno dove la concentrazione $c = 10^{-3}$.
• Performance: L'algoritmo PDAP ha ricostruito con successo la posizione e l'intensità della sorgente.
  • L'algoritmo è convergente in sole 16 iterazioni, richiedendo 16 risoluzioni PDE forward e 16 risoluzioni PDE adiuvanti.
  • Il centro della sorgente ricostruito ($x_{post}$) è stato localizzato a $[-241.2, -40.9]$ m, rispetto al valore reale di $[-241, -41]$ m, con un errore di intensità inferiore al 2%.
  • L'errore di ricostruzione per la distribuzione del contaminante è rimasto inferiore all'1% in tutto il dominio.
• Predizione: La ricostruzione accurata della sorgente iniziale ha permesso una predizione affidabile dell'evoluzione futura del pennacchio (fino a $t=100$ s).

Significato e Rivendicazioni

Il documento afferma che questo lavoro stabilisce la localizzazione della sorgente tomografica guidata dalla sparsità come un approccio computazionalmente fattibile per la consapevolezza situazionale in tempo reale in scenari di rilascio di materiali pericolosi.

• Efficienza: L'approccio richiede un numero relativamente piccolo di risoluzioni PDE anche per dati di misurazione ad alta risoluzione, rendendolo adatto ad applicazioni su larga scala.
• Densità di Informazione: Sfruttando l'imaging iperspettrale FPA-FTIR, il metodo utilizza molta più informazione spaziale rispetto ai detector puntiformi isolati, il che è cruciale per l'allerta precoce e la rapida risposta alle emergenze.
• Limitazioni e Lavori Futuri: Gli autori notano con modestia che lo studio attuale si basa su dati sintetici e non incorpora ancora il rumore del sensore o la complessa turbolenza 3D. Riconoscono che, sebbene sia stata investigata la modellazione a ordine ridotto (ROM) per l'accelerazione, la dipendenza del contorno di misurazione dalla soluzione impedisce la precomputazione offline diretta in questo specifico setup. Il lavoro futuro mira a integrare modelli di rumore, combinare diversi tipi di sensori (ad esempio, lidar di polarizzazione) e validare il metodo con dati reali sul campo.