Offline accuracy is not enough: closed-loop instability and stabilisation of a wall-sensor neural estimator in opposition control

Sintesi Tecnica: L'accuratezza offline non è sufficiente: instabilità a ciclo chiuso e stabilizzazione di un stimatore neurale parete-sensore in controllo di opposizione

Problematica
Il controllo di opposizione è una strategia canonica di controllo attivo del flusso che riduce la resistenza per attrito superficiale imponendo una velocità di soffiaggio e aspirazione normale alla parete uguale e opposta alla velocità normale misurata su un piano di rilevamento all'interno dello strato limite. Sebbene efficace, questa strategia richiede grandezze di rilevamento (velocità a $z^+ \approx 14$) che non sono disponibili tramite sensori montati sulla parete. Sebbene il deep learning e la stima stocastica lineare abbiano dimostrato una ricostruzione ad alta fedeltà offline delle quantità del flusso interno a partire dallo sforzo di taglio viscoso parietale ($\tau_x, \tau_y$), rimane non dimostrato se tali stimatori possano funzionare come surrogati in tempo reale all'interno di un sistema di feedback a ciclo chiuso. La questione centrale affrontata è se uno stimatore neurale, addestrato su uno stato di flusso fisso, possa mantenere stabilità e prestazioni quando viene impiegato per modificare attivamente lo stesso flusso che rileva.

Metodologia
Gli autori utilizzano una Simulazione Numerica Diretta (DNS) di un flusso in canale turbolento con un numero di Reynolds di attrito $Re_\tau = 180$. Il ciclo di controllo opera come segue:

1. Rilevamento: Il controllore legge le componenti istantanee dello sforzo di taglio viscoso parietale ($\tau_x, \tau_y$).
2. Stima: Una rete Convolutional Gated Recurrent Unit (ConvGRU) mappa questi segnali parietali verso una stima della velocità normale al piano di rilevamento ($\hat{w}$). L'architettura ricorrente fornisce un contesto temporale, affrontando la natura sottodeterminata dell'inferenza di campi fuori parete da un singolo istante della parete.
3. Attuazione: La velocità stimata viene utilizzata nella legge di opposizione ($w_{wall} = -\alpha \hat{w}$) per imporre una condizione al contorno di soffiaggio e aspirazione a massa netta nulla.

Lo studio procede attraverso tre fasi distinte:

• Validazione Offline: Lo stimatore viene addestrato su dati provenienti da un flusso di controllo di opposizione (OC) ideale e statisticamente stazionario e validato offline.
• Analisi del Fallimento a Ciclo Chiuso: Lo stimatore viene impiegato direttamente. Gli autori analizzano il meccanismo di instabilità, osservando che piccoli errori ad alto numero d'onda, quando imposti come condizione al contorno, si accumulano e portano il flusso fuori dalla distribuzione di addestramento (spostamento della distribuzione).
• Strategia di Stabilizzazione: Due misure correttive vengono introdotte:
  1. Corrispondenza Spettrale: Un filtro passa-basso spettrale e una riscalatura spettrale trasversale sono applicati all'attuazione impiegata. Questo forza lo spettro energetico del campo stimato a corrispondere alla distribuzione di riferimento dell'addestramento, rimuovendo i modi ad alto numero d'onda instabili che il segnale parietale non può risolvere.
  2. Riapprendimento a Ciclo Chiuso: Lo stimatore viene riaddestrato sui dati raccolti dal flusso controllato (raccolta dati iterativa). Ciò allinea la distribuzione di addestramento dello stimatore con l'attrattore reale del sistema controllato.

Risultati Chiave

• Discrepanza Offline vs. Online: Lo stimatore raggiunge un'accuratezza offline quasi perfetta (correlazione $\rho \approx 0.99$), ma fallisce catastroficamente a ciclo chiuso. Senza intervento, la correlazione scende a zero entro 15–20 unità di tempo viscoso e la soluzione diverge.
• Meccanismo di Fallimento: L'instabilità è guidata da errori ad alto numero d'onda. Sebbene questi errori siano energeticamente trascurabili offline, essi vengono amplificati dal ciclo di feedback non lineare quando imposti come condizione al contorno. I rimedi standard come le medie mobili esponenziali (EMA) o il filtraggio passa-basso ritardano la divergenza ma accelerano la perdita di correlazione, fallendo nel produrre un controllore funzionale.
• Successo della Stabilizzazione:
  • L'applicazione della sola corrispondenza spettrale stabilizza il ciclo indefinitamente ma produce solo una riduzione della resistenza del 14,6% (rispetto al 22,7% dell'OC ideale) perché lo stimatore opera ancora su un disallineamento della distribuzione.
  • Il riaddestramento dello stimatore sui dati del ciclo chiuso (processo iterativo) riallinea la statistica del flusso. Una seconda iterazione di riaddestramento (retrain-2) produce un controllore stabile con una riduzione media della resistenza del 19,7%, avvicinandosi strettamente alle prestazioni dell'OC ideale.
• Struttura del Flusso: Il controllore basato solo sulla parete, riaddestrato due volte, riproduce la struttura della turbolenza vicino alla parete dell'ideale controllo di opposizione. I profili di velocità media, lo sforzo di taglio di Reynolds, le frazioni di eventi di quadrante (espulsioni e sweep) e gli spettri energetici bidimensionali sono quasi indistinguibili dal caso OC ideale, differendo solo per un leggero eccesso di attività vicino alla parete coerente con la marginalmente minore riduzione della resistenza.

Significatività e Rivendicazioni
L'articolo afferma che l'accuratezza offline non è sufficiente per il controllo di flusso a ciclo chiuso. L'ostacolo primario non è la capacità di ricostruire il flusso offline, ma la coerenza dinamica di tale ricostruzione quando il controllore modifica il flusso.

Gli autori identificano che il fallimento deriva da uno spostamento della distribuzione indotto dal controllore stesso, specificamente nella banda ad alto numero d'onda dove le misurazioni parietali trasportano informazioni insufficienti. Lo studio dimostra che un controllo di opposizione basato solo sulla parete e stabile è ottenibile attraverso una correzione in due parti:

1. Coerenza Spettrale: Vincolare l'attuazione alla banda spettrale risolvibile dai sensori parietali impedisce l'iniezione di energia destabilizzante ad alto numero d'onda.
2. Riapprendimento In-Loop: Il riaddestramento dello stimatore sui dati generati dal flusso controllato assicura che lo stimatore rimanga valido per la specifica configurazione statistica che esso stesso crea.

Il lavoro stabilisce che un estimatore supervisionato, addestrato offline, può servire come un surrogato in tempo reale dei sensori se la strategia di implementazione tiene conto dei limiti spettrali della rilevazione parietale e si adatta iterativamente all'attrattore del flusso controllato. Il gap residuo nella riduzione della resistenza (circa 3 punti percentuali) è attribuito al limite fondamentale della coerenza tra parete e piano di rilevamento nella banda ad alto numero d'onda, un vincolo fisico piuttosto che un fallimento del modello.