Patched Flow Matching: Generative Wall-Pressure Reconstruction Beyond Training-Domain Scales from Sparse Sensors

Sintesi Tecnica: Patched Flow Matching per la Ricostruzione della Pressione sulla Parete

Definizione del Problema
La caratterizzazione dello spettro completo della pressione sulla parete in flussi turbolenti confinati da parete è una sfida fondamentale a causa della natura a banda larga e multi-scala del fenomeno. Lo spettro richiede la risoluzione simultanea di due regimi distinti: la dinamica vicino alla parete alle alte ascese (high-wavenumber), su scala viscosa, e i moti energetici su larga scala nello strato esterno a basse ascese (low-wavenumber). I metodi esistenti non riescono a catturarli entrambi simultaneamente:

• Simulazione Numerica Diretta (DNS): Sebbene accurata per le scale viscose, la cattura del contenuto dello strato esterno a basse ascese richiede domini streamwise proibitivi (che scalano come $O(10\delta)$) e tempi di integrazione lunghi, rendendo computazionalmente intrattabile la simulazione ad alti numeri di Reynolds. La DNS a dominio corto preserva l'accuratezza vicino alla parete ma tronca tutte le lunghezze d'onda oltre la dimensione della scatola, perdendo il contenuto energetico a basse ascese.
• Sensori Sperimentali Sparsi: Gli array di trasduttori di pressione possono coprire estensioni streamwise elevate, catturando il contenuto a basse ascese. Tuttavia, la spaziatura tra i sensori è di ordini di grandezza più grossolana rispetto alla lunghezza viscosa, ponendo le strutture ad alte ascese al di sotto del limite di Nyquist. Inoltre, le misurazioni sono convolute con le funzioni di trasferimento dei dispositivi, rendendo difficile la ricostruzione multiscala.

I metodi di ricostruzione deterministici (ad esempio, CNN di super-risoluzione) sono insufficienti perché collassano la natura stocastica intrinseca della turbolenza e la natura mal posta dell'inversione sparsa in una singola stima sfocata, fallendo nel catturare le strutture coerenti a piccola scala o l'incertezza.

Metodologia: Patched Flow Matching (Patched FM)
Gli autori propongono il Patched Flow Matching (Patched FM), un framework generativo che fonde un prior ad alta ascendenza derivato da DNS a dominio corto con misurazioni sparse da sensori durante l'inferenza. Il framework si basa su tre pilastri tecnici fondamentali:

1. Patch-Additive Flow Matching per l'Indipendenza dal Dominio:
   Invece di addestrare il modello su campi a dominio completo, il modello apprende un prior locale a patch sulle statistiche della pressione sulla parete in scala interna. Gli autori derivano una decomposizione additiva a patch del campo vettoriale del flow matching. Fattorizzando la densità a dominio completo come prodotto di densità a patch e applicando l'identità score-to-velocity per interpolanti lineari, si dimostra che la velocità dell'equazione differenziale ordinaria (ODE) a dominio completo si decompone in una somma di contributi indipendenti e locali a patch.

   • Meccanismo: Una rete neurale condivisa $v_\theta$ elabora patch di dimensioni fisse. Durante l'inferenza, il dominio completo viene tassellato con queste patch (con origini randomizzate per evitare artefatti di bordo) e il campo di velocità globale viene ricostruito sommando gli output a livello di patch. Ciò decoppia il prior generativo dalla dimensione globale del dominio, permettendo la ricostruzione su domini arbitrariamente più grandi della configurazione di addestramento.

2. La Scala Interna come Prerequisito Fisico:
   Il prior a patch è addestrato in coordinate a scala interna ($x^+, z^+$), dove le statistiche ad alte ascese sono approssimativamente invarianti rispetto al numero di Reynolds. Questa scelta di design ancora le statistiche apprese alle scale viscose, consentendo al modello di generalizzare attraverso diversi numeri di Reynolds ($Re_\tau$) senza un nuovo addestramento completo. Al contrario, le coordinate a scala esterna causano variazioni significative delle statistiche ad alte ascese con $Re_\tau$, ostacolando il trasferimento.

3. Generazione Condizionata Senza Addestramento:
   Per ricostruire l'intero spettro su domini lunghi, il framework impiega una campionamento autoregressivo senza addestramento (training-free posterior sampling).

   • Vincolo del Sensore Sparso: Un termine di verosimiglianza impone la coerenza con le misurazioni sparse dei sensori ($y_1$) distribuite lungo il lungo dominio.
   • Autoregressione Spaziale: Il lungo dominio viene generato sequenzialmente in sezioni. Un vincolo di confine ($y_2$) assicura che il confine sinistro della sezione corrente corrisponda al confine destro della sezione precedentemente generata, propagando l'informazione di fase e ampiezza per le strutture a grande scala.
   • Guida di Tweedie: L'ODE non condizionata è aumentata da correzioni basate sul gradiente derivate dallo stimatore di Tweedie, permettendo al modello di condizionarsi su arbitrarie operatori di osservazione senza riaddestrare il prior.

Contributi Chiave

1. Ricostruzione a Spettro Completo su Grandi Domini: Il framework ricostruisce con successo campi di pressione sulla parete su domini quattro volte più grandi della configurazione di addestramento ($L^L_x = 16\pi\delta$ vs. $L^S_x = 4\pi\delta$) con una copertura dei sensori anche solo dello 0,25%. Recupera il contenuto spettrale a basse ascese inaccessibile alla DNS a dominio corto, mantenendo al contempo strutture ad alta fedeltà a piccola scala.
2. Generazione Indipendente dalla Dimensione del Dominio: La derivazione del campo di velocità additivo a patch consente la generazione incondizionata e la ricostruzione condizionata dai sensori su domini di dimensione arbitraria utilizzando una singola rete condivisa, con un costo computazionale che scala indipendentemente dall'estensione totale del dominio.
3. Trasferimento Efficiente dei Numeri di Reynolds: Sfruttando la scala interna, il modello supporta l'apprendimento per trasferimento gerarchico ($Re_\tau: 180 \to 500 \to 1000$). Il fine-tuning richiede solo 500 snapshot (il 2,5% dei dati di addestramento base) per ogni numero di Reynolds target, ottenendo una riduzione fino a 8 volte del costo di addestramento rispetto all'addestramento da zero. Il framework dimostra inoltre la generalizzazione zero-shot a numeri di Reynolds non visti.

Risultati
Il metodo è stato valutato su DNS di flusso in canale comprimibile a $Re_\tau = 180, 500$ e $1000$.

• Fedeltà Spettrale: Patched FM recupera accuratamente gli spettri delle ascere streamwise e spanwise. Nella ricostruzione condizionata, riproduce fedelmente l'energia elevata a basse ascese presente nella DNS a dominio lungo ma assente nei dati di addestramento a dominio corto.
• Confronto con i Baseline:
  • Interpolazione Cubica: Fallisce nel recuperare le strutture multiscala, producendo campi severamente smussati che perdono il contenuto ad alte ascese.
  • Flow Matching Standard (Dominio Completo): Addestrato su campi a risoluzione completa, questo baseline mostra roll-off spettrali e artefatti di tassellatura quando estrapolato a domini più grandi, confermando la necessità della decomposizione additiva a patch.
  • Modelli a Scala Esterna: I modelli addestrati in coordinate a scala esterna non trasferiscono efficacemente ad alti numeri di Reynolds, mostrando picchi di perdita e deviazioni spettrali, validando la necessità fisica della scala interna.
• Efficienza dei Dati: Il framework mantiene la qualità della generazione con soli 10 snapshot di addestramento al numero di Reynolds target, a condizione che il modello sia pre-addestrato in coordinate a scala interna.
• Generalizzazione Zero-Shot: Un modello addestrato a $Re_\tau = 1000$ ricostruisce con successo i campi a $Re_\tau = 500$ senza fine-tuning, mentre un modello addestrato a $Re_\tau = 180$ mostra un bias verso il basso nelle ascere intermedie, evidenziando i limiti del trasferimento da numeri di Reynolds inferiori a superiori senza adattamento.

Significatività e Rivendicazioni
L'articolo sostiene che Patched FM fornisca una soluzione robusta, scalabile ed efficiente in termini di dati per la ricostruzione della pressione sulla parete, superando i colli di bottiglia del "dimensione del dominio" e del "numero di Reynolds" tipici della modellazione generativa tradizionale.

• Validità Fisica: Il lavoro stabilisce che la scala interna non è solo una comodità di normalizzazione, ma un prerequisito fisico, poiché allinea la capacità rappresentativa del modello con la natura universale delle statistiche della pressione sulla parete ad alte ascese.
• Necessità Probabilistica: Gli autori sostengono che un framework generativo probabilistico sia essenziale per questo problema per catturare il carattere stocastico della turbolenza e la non unicità intrinseca nell'inversione sparsa, che i modelli deterministici sopprimono.
• Utilità Pratica: Decoppiando il prior generativo dalla dimensione del dominio al tempo di inferenza e abilitando l'apprendimento per trasferimento gerarchico, il metodo rende fattibile la ricostruzione ad alta fedeltà di flussi turbolenti a grande scala anche quando i dati DNS ad alto numero di Reynolds sono scarsi o non disponibili per l'addestramento.