Deep Learning-Based Characterization of Detonation-Cell Size Distributions in Soot-Foil Records

Sintesi Tecnica: Caratterizzazione delle distribuzioni della dimensione delle celle di detonazione in registri di fuliggine su foglio tramite Deep Learning

Problematica
La dimensione geometrica e la regolarità delle celle di detonazione sono parametri fondamentali per caratterizzare la sensibilità cinetica chimica e l'instabilità idrodinamica delle onde di detonazione. Tradizionalmente, questi parametri vengono estratti dai registri di fuliggine su foglio tramite misurazione manuale, un processo che è lungo, soggettivo e incline all'errore. Sebbene le tecniche esistenti di computer vision e segmentazione semantica offrano automazione, esse spesso faticano a generalizzare quando applicate a immagini sperimentali reali. Tali immagini presentano frequentemente alti livelli di rumore, confini sfocati dovuti a una deposizione di fuliggine non uniforme e una severa sovrapposizione delle celle, portando a errori di identificazione delle componenti connesse e a distribuzioni statistiche imprecise.

Metodologia
Per affrontare tali limitazioni, gli autori propongono un nuovo framework di riconoscimento automatico ed estrazione di caratteristiche basato sulla segmentazione di istanze tramite deep learning, utilizzando specificamente l'architettura Mask R-CNN (Mask Region-based Convolutional Neural Network).

• Architettura della rete: Il modello impiega un backbone ResNet-50 inizializzato con pesi pre-addestrati su ImageNet per l'estrazione di caratteristiche multi-scala. Utilizza una Path Aggregation Feature Pyramid Network (PAFPN) come "neck" per fondere le informazioni spaziali di basso livello e le informazioni semantiche di alto livello. La testa di rilevamento include una Region Proposal Network (RPN) con anchor multi-scala e una testa Region of Interest (RoI) dotata di RoIAlign per la generazione precisa di maschere a livello di pixel.
• Strategia di addestramento: Per superare la scarsità di dati annotati e prevenire l'overfitting, lo studio impiega una strategia di transfer learning a due stadi. Il modello viene prima pre-addestrato su immagini naturali generiche e successivamente perfezionato (fine-tuning) su un dataset etogeneo personalizzato. Questo dataset combina simulazioni numeriche ad alta fedeltà e registri fisici sperimentali di fuliggine su foglio, organizzati nel formato standard COCO.
• Pre-elaborazione e aumento dei dati: Le immagini in input vengono ridimensionate a 1024×1024 pixel. Per aumentare la robustezza, la pipeline di addestramento include il flipping casuale e la distorsione fotometrica (PhotoMetric Distortion) per simulare le variazioni di illuminazione e di spessore della fuliggine.
• Strategia di patching: Riconoscendo che l'inferenza diretta su immagini grandi e ad alta densità porta a un disallineamento della scala delle caratteristiche e a rilevamenti mancati, gli autori stabiliscono un paradigma di pre-elaborazione standardizzato in cui le immagini allungate di fuliggine su foglio sono suddivise in una griglia di sottopatches 2×3 per l'inferenza indipendente prima dell'aggregazione.

Contributi Chiave

1. Segmentazione di istanze per le celle di detonazione: A differenza della segmentazione semantica che classifica i pixel, questo approccio isola le singole istanze delle celle, consentendo l'analisi statistica delle caratteristiche geometriche (lunghezza, larghezza, area) per ogni singola cella, anche in regioni densamente impacchettate e sovrapposte.
2. Paradigma di pre-elaborazione standardizzato: Il documento identifica lo "shift della distribuzione a priori" e il "disallineamento della scala delle caratteristiche" come cause di rilevamenti mancati nelle immagini ad alta densità. Propone e valida una specifica strategia di patching delle immagini (griglia 2×3) come condizione necessaria per mantenere le prestazioni del modello su dati sperimentali di grande formato.
3. Estrazione di caratteristiche di ordine superiore: Andando oltre la semplice dimensione media della cella ($\lambda$), il modello estrae automaticamente metriche morfologiche avanzate, inclusi l'Indice di Irregolarità (RI) e la deviazione standard degli angoli di deflessione delle celle ($\sigma_\theta$), che quantificano la stabilità e il caos dell'onda di detonazione.
4. Tracciamento dell'evoluzione spaziale: Il metodo consente il tracciamento automatico dell'evoluzione della dimensione delle celle lungo la direzione di propagazione, permettendo di distinguere tra stati di iniziazione transitori e propagazione stabile di tipo Chapman-Jouguet (CJ).

Risultati

• Validazione Benchmark: Sui dati simulati numericamente (sia regolari che irregolari), il modello ha raggiunto un accordo quasi perfetto a livello di pixel con la ground truth. Per le celle simulate irregolari, la dimensione media delle celle predetta differiva dalla ground truth di un margine trascurabile (37,61px vs 37,64px).
• Validazione Sperimentale:
  • Condizioni Irregolari: Su fogli di fuliggine sperimentali reali e rumorosi, il modello ha ottenuto un errore relativo del 3,5% nella dimensione media delle celle rispetto alle misurazioni manuali. Sebbene il conteggio totale delle celle fosse leggermente inferiore a causa dell'esclusione delle celle troncate ai bordi dei patch, la distribuzione della densità di probabilità mostrava un'alta sovrapposizione con i riferimenti manuali.
  • Condizioni Regolari: Per le celle sperimentali regolari, l'errore relativo nella dimensione media delle celle è stato inferiore al 2%.
• Robustezza e Sensibilità:
  • Risoluzione: Il modello ha dimostrato una forte invarianza di scala, mantenendo un errore relativo di circa il 5% anche quando la risoluzione in input veniva ridotta al 30%.
  • Densità degli Oggetti: L'inferenza diretta sull'intera immagine (contenente circa 1.500 celle) ha causato gravi rilevamenti mancati e un valore medio distorto. La strategia di patching 2×3 ha mitigato con successo questo problema, ripristinando il conteggio delle celle e l'accuratezza statistica.
• Estrazione delle Caratteristiche: Le metriche di ordine superiore estratte (RI e $\sigma_\theta$) per entrambi i casi regolari e irregolari si sono allineate con le aspettative teoriche, distinguendo correttamente tra disposizioni stabili a "scaglie di pesce" e fronti d'onda caotici e instabili.

Significatività
Il documento afferma che questo metodo fornisce uno strumento robusto, oggettivo ed efficiente per l'analisi quantitativa della combustione da detonazione. Automatizzando l'estrazione sia delle medie globali che delle evoluzioni spaziali locali, il modello supera la soggettività e i limiti dell'analisi manuale tradizionale. Esso trasforma morfologie fisiche complesse e rumorose in dati strutturati, facilitando indagini più profonde sulle correlazioni tra la sensibilità cinetica chimica e le instabilità idrodinamiche macroscopiche. Lo studio stabilisce un workflow standardizzato per l'elaborazione di dati di detonazione su larga scala, servendo da base per la ricerca futura sui meccanismi intrinseci della propagazione della detonazione.