Rapid Identification of Moving Contaminant Sources Through Physics-Based Modelling

Título: Identificação Rápida de Fontes de Contaminantes em Movimento Através de Modelagem Baseada em Física

Autores: Marco Mattuschka, Jacopo Bonari, Max von Danwitz e Alexander Popp (DLR e Universidade das Forças Armadas da Baviera, Alemanha).

---

1. Problema e Contexto

O artigo aborda o desafio crítico de detectar, localizar e quantificar fontes de contaminantes perigosos (químicos, biológicos, radiológicos ou nucleares - CBRN) liberados intencionalmente ou acidentalmente na atmosfera.

• Desafio Principal: Em cenários de emergência, os dados de sensores são escassos, localizados e disponíveis apenas em intervalos de tempo restritos. Além disso, os contaminantes são transportados por campos de fluxo complexos (advecção e turbulência), tornando impossível inferir a distribuição global apenas a partir de medições pontuais sem um modelo físico.
• Limitação de Métodos Existentes: A maioria das abordagens atuais assume que o tempo de liberação da fonte é conhecido a priori. Em ataques terroristas ou sabotagens, essa informação é frequentemente desconhecida, tornando o problema inverso severamente mal-posto.
• Objetivo: Desenvolver um algoritmo capaz de identificar fontes móveis e variantes no tempo, com tempo de ativação e trajetória desconhecidos, utilizando dados esparsos de sensores acoplados a um modelo de transporte físico.

2. Metodologia

Modelagem Matemática

• Equação de Transporte: O processo de dispersão é modelado pela equação de advecção-difusão, governada por um coeficiente de difusão ($\kappa$) e um campo vetorial de vento ($\mathbf{v}$), assumido suave e sem divergência.
• Definição da Fonte: A fonte é descrita como uma curva paramétrica $\gamma(t) = (\gamma_\lambda(t), \gamma_{x_s}(t))$, onde $\lambda$ é a intensidade e $x_s$ é a localização espacial. A distribuição espacial segue uma função de forma suave e radialmente simétrica.
• Observações: Diferente de modelos anteriores que usam medições pontuais (que introduzem singularidades), este trabalho modela as medições dos sensores como médias espaciais (usando funções de base suaves). Isso garante a regularidade da solução do problema adjunto e evita a necessidade de atrasar a janela de observação.

Algoritmo de Identificação (Inversão Esparsa)

O núcleo da proposta é um framework de inversão esparsa que incorpora a informação a priori de que as fontes são espacialmente esparsas.

• Formulação do Problema: O problema é formulado como a minimização de um funcional de custo que combina:
  1. O erro de ajuste (misfit) entre as medições simuladas e os dados reais (termo de dados).
  2. Um termo de regularização $L_1$ que promove a esparsidade no tempo e no espaço (contando o número de fontes ativas).
• Algoritmo: Utiliza uma estratégia de ponto ativo primal-dual (Primal-Dual-Active-Point-Strategy).
  • O algoritmo itera identificando os locais candidatos máximos do campo adjunto.
  • Resolve um problema de minimização de dimensão finita para as intensidades das fontes nesses locais.
  • Refina a solução através de métodos de Newton semi-suaves.
• Vantagem Computacional: O método é altamente eficiente, exigindo apenas dezenas de iterações (vs. milhares em métodos baseados em amostragem como Metropolis-Hastings), permitindo a identificação de fontes transitórias em grandes escalas espaciais.

Calibração e Integração

• Calibração Experimental: Propõe-se uma metodologia para calibrar os modelos de fluxo 3D usando dados de túnel de vento, ajustando especificamente o coeficiente de difusão ($\kappa$) para corresponder à realidade física.
• Digital Twin e Tempo Real: Para cenários operacionais, sugere-se o uso de inferência bayesiana sequencial (como Filtros de Kalman de Ensemble - EnKF) e modelos de ordem reduzida (ROM) para atualizar estimativas de parâmetros e campos de vento em tempo real à medida que novos dados de sensores chegam.

3. Resultados Principais

• Validação Numérica (Cenário de Campus):
  • O algoritmo foi testado em um domínio 2D simulando o campus da Universidade das Forças Armadas de Munique.
  • Configuração Densa (149 sensores): O algoritmo reconstruiu com alta precisão a trajetória, a intensidade e o tempo de ativação da fonte móvel.
  • Configuração Esparsa (10 sensores): Embora a reconstrução exata do tempo de ativação e intensidade tenha sido menos precisa (tendendo a favorecer tempos de ativação mais tardios devido ao viés da regularização), o método conseguiu fornecer uma estimativa grosseira da localização e, crucialmente, previsões confiáveis da evolução futura do campo de contaminantes.
• Simulação de Túnel de Vento:
  • Foi realizada uma calibração de modelo usando dados experimentais de um túnel de vento com modelos de edifícios.
  • A varredura de parâmetros identificou um coeficiente de difusão ótimo ($\kappa \approx 10^{-2} m^2/s$) que minimizou o erro entre a simulação CFD e os dados experimentais, validando a viabilidade de transferir o modelo do domínio computacional para o experimental.
• Eficiência: O método convergiu em apenas 17 iterações para sensores densos e 36 para sensores esparsos, demonstrando viabilidade computacional para aplicações de emergência.

4. Contribuições Chave

1. Identificação de Fontes Desconhecidas: Capacidade de detectar fontes móveis com tempo de ativação e trajetória totalmente desconhecidos, superando a limitação de métodos que exigem conhecimento prévio do tempo de liberação.
2. Regularização Espacial: Uso eficaz da esparsidade espacial como informação a priori para estabilizar o problema inverso mal-posto com dados de sensores muito limitados.
3. Modelagem de Observação Realista: Substituição de medições pontuais por médias espaciais para garantir regularidade matemática e evitar singularidades no problema adjunto.
4. Ponte Simulação-Experimento: Proposta de um fluxo de trabalho completo que vai da simulação numérica à calibração com dados de túnel de vento e integração futura em gêmeos digitais (Digital Twins).

5. Significado e Limitações

• Significado: O trabalho representa um avanço significativo para a resposta a emergências CBRN. A capacidade de prever a dispersão de contaminantes futuros, mesmo com poucos sensores e sem saber exatamente quando ou onde o ataque começou, fornece informações acionáveis críticas para a tomada de decisão (evacuação, barreiras, etc.).
• Limitações:
  • Existe um viés sistemático na reconstrução de fontes com dados esparsos: o algoritmo tende a favorecer tempos de ativação mais tardios e deslocar a localização da fonte para o último instante possível que explica o sinal.
  • A precisão na reconstrução do tempo de ativação degrada-se significativamente com a redução da densidade de sensores.
  • A determinação de uma colocação ótima de sensores (otimização de design experimental) ainda é um desafio neste contexto específico.

Conclusão: O artigo apresenta uma ferramenta robusta e computacionalmente eficiente para a identificação de fontes de contaminantes em movimento. Ao combinar modelagem física rigorosa, técnicas de inversão esparsa e estratégias de calibração experimental, o método oferece um caminho viável para sistemas de suporte à decisão em tempo real em cenários de desastres complexos.