Sparse Source Identification in Transient Advection-Diffusion Problems with a Primal-Dual-Active-Point Strategy

Resumo Técnico: Identificação de Fontes Esparsas em Problemas de Advecção-Difusão Transientes

Enunciado do Problema
O artigo aborda o problema inverso de identificar fontes de contaminantes suspensos no ar com base em medições escassas de sensores. Este cenário é crítico para a proteção de infraestruturas, como no planejamento de evacuações após vazamentos acidentais ou sabotagens intencionais. O transporte físico do contaminante é modelado por uma equação de advecção-difusão linear. O problema inverso é inerentemente mal posto e subdeterminado porque o número, a localização e a intensidade das fontes são desconhecidos, enquanto as medições são limitadas a um pequeno número de sensores fixos ou móveis espacialmente distribuídos.

As abordagens tradicionais frequentemente dependem da regularização $L_2$ (regularização de Tikhonov), que assume distribuições de fontes suaves. No entanto, os autores argumentam que, em cenários realistas, as fontes de contaminantes são altamente localizadas (esparsas). A regularização $L_2$ falha em capturar essa suposição estrutural com precisão devido à natureza de suavização do processo de advecção-difusão. Além disso, as abordagens padrão de identificação de parâmetros que assumem um número fixo de fontes levam a problemas de otimização altamente não lineares.

Metodologia
A metodologia proposta combina uma estrutura de regularização variacional com um algoritmo de otimização específico:

1. Formulação Variacional com Norma de Radon:
   Em vez de parametrizar as fontes com um número fixo de átomos, os autores relaxam o problema para recuperar uma medida de Radon positiva $\mu$ sobre o domínio espacial. A fonte é modelada como a integral de uma função de forma em relação a esta medida. O problema de otimização minimiza um termo de desajuste de dados (ponderado pela variância do ruído) mais um termo de regularização proporcional à variação total da medida (a norma de Radon).

   • Base Teórica: Os autores citam o Teorema 1, que estabelece que, apesar da natureza de dimensão infinita do espaço das medidas de Radon, soluções ótimas existem e são esparsas. Especificamente, os minimizadores consistem em uma combinação linear finita de funcionais de Dirac-Delta (fontes pontuais), com o número de fontes limitado pelo número de observações.
   • Funções de Forma: A estrutura acomoda vários modelos de fonte, incluindo funções de base radial de forma fechada, soluções de PDEs elípticas (representando liberações suaves) e distribuições de Dirac puras (fontes pontuais instantâneas).

2. Algoritmo Primal-Dual-Active-Point (PDAP):
   Para resolver o problema de otimização convexa de dimensão infinita resultante de forma eficiente, os autores empregam uma variante do algoritmo PDAP. Este é um algoritmo guloso (greedy) que opera no nível do espaço de funções antes da discretização.

   • Mecanismo: O algoritmo alterna entre dois passos:
     1. Computação da Variável Dual: Resolver a equação de advecção-difusão adjunta (retroativa) para computar uma variável dual (campo de potencial).
     2. Atualização do Conjunto Ativo: Identificar os maximizadores globais da variável dual. Se a variável dual exceder um limiar determinado pelo parâmetro de regularização, novas localizações de fontes candidatas são adicionadas ao "conjunto ativo".
   • Otimização da Intensidade: Uma vez que o conjunto ativo (localizações) é atualizado, as intensidades das fontes são otimizadas resolvendo um subproblema convexo de dimensão finita.
   • Poda (Pruning): Fontes com pesos zero ou negligenciáveis são removidas para manter a esparsidade.
   • Convergência: O método é provado para convergir com uma taxa sublinear global. Ele evita passos não convexos de movimentação de pontos, tornando-se compatível com discretizações padrão de elementos finitos.

3. Discretização:
   Os problemas direto e adjunto são discretizados usando métodos de elementos finitos (FEM) com estabilização SUPG para lidar com fluxos dominados por advecção. O operador de observação é implementado via interpolação baricêntrica para lidar com sensores localizados entre os nós da malha. Um passo de pós-processamento funde fontes agrupadas (decorrentes da discretização) em fontes únicas usando coordenadas baricêntricas.

Principais Contribuições

• Recuperação de Esparsidade Exata: O artigo demonstra que elevar o problema para um espaço de medida de Radon permite a recuperação exata de fontes esparsas (número finito de deltas de Dirac) sem conhecimento prévio de sua contagem, superando a complexidade combinatória de abordagens de parâmetros fixos.
• Eficiência Algorítmica: A adaptação do algoritmo PDAP fornece um resolvedor eficiente para esta classe de problemas inversos. Diferente dos métodos baseados em $L_2$, o custo computacional do PDAP não aumenta com o número de sensores; de fato, o número de iterações necessárias frequentemente diminui conforme mais informações (sensores) tornam-se disponíveis.
• Tratamento de Geometrias Complexas: O método é aplicado com sucesso em domínios 2D e 3D com geometrias de edifícios realistas importadas do OpenStreetMap, demonstrando viabilidade em ambientes complexos do mundo real.

Resultados Numéricos
Os autores validam a abordagem em vários casos de teste:

• Benchmark 2D/3D: Em um benchmark de dois edifícios, o algoritmo PDAP reconstruiu com precisão fontes únicas e sobrepostas, superando a regularização $L_2$, que falhou em separar fontes sobrepostas, produzindo em vez disso um único bloco suave.
• Robustez: O algoritmo provou ser robusto sob condições desafiadoras, incluindo relações sinal-ruído reduzidas, menos sensores, taxas de amostragem menores e até mesmo com um único sensor móvel.
• Domínio de Campus Complexo: Aplicado a uma geometria de campus universitário, o método identificou com sucesso múltiplas fontes usando redes densas (213 sensores) e esparsas (5 sensores). Ele lidou efetivamente com diferentes tipos de fontes (forma fechada, baseadas em PDE elíptica e Dirac).
• Local de Planta Química: Em um cenário realista envolvendo uma planta química com dinâmicas de fluxo complexas entre edifícios, o algoritmo identificou oito fontes distintas usando 154 sensores. O erro de reconstrução foi baixo e as localizações identificadas ficaram a poucos metros da verdade fundamental (ground truth).

Significância e Alegações
O artigo afirma que a abordagem proposta preenche a lacuna entre a teoria matemática (regularização variacional com normas de Radon) e a aplicação prática na proteção de infraestruturas críticas.

• Superioridade sobre o Estado da Arte: O método supera consistentemente as técnicas de regularização $L_2$, particularmente na resolução de múltiplas fontes próximas e em cenários com dados muito esparsos.
• Escalabilidade: Uma descoberta fundamental é o comportamento favorável de escala: adicionar mais sensores reduz o esforço computacional (número de resoluções de PDE) necessário para a convergência, enquanto os métodos $L_2$ tipicamente exigem mais computação offline ou sofrem com o aumento da complexidade.
• Aplicabilidade no Mundo Real: Ao lidar com sucesso com geometrias complexas do mundo real e vários modelos de fonte, o método é apresentado como uma ferramenta viável para a tomada de decisão em respostas de emergência, ofereando identificação de fontes rápida e confiável mesmo com dados de observação limitados.

Os autores concluem que, embora o framework atual assuma um horizonte temporal conhecido e campos de vento fixos, a abordagem estabelece as bases para extensões futuras, como a identificação de tempos de liberação, integração de modelos de ordem reduzida para previsão em tempo real e a combinação do método com quantificação de incerteza para design experimental otimizado.