Rooftop Wind Field Reconstruction Using Sparse Sensors: From Deterministic to Generative Learning Methods

1. Problema e Contexto

A reconstrução em tempo real da distribuição de velocidade do vento em telhados é crucial para a operação segura de drones, mobilidade aérea urbana, sistemas de controle de ventilação e aproveitamento de energia eólica em edifícios. No entanto, os fluxos de ar em telhados são altamente complexos, caracterizados por não linearidades, separação de fluxo e variabilidade cruzada, o que torna difícil reconstruir o campo de fluxo completo a partir de sensores esparsos.

As abordagens tradicionais enfrentam limitações significativas:

• Medições de campo: Precisas, mas limitadas pelo número de pontos de observação e cobertura espacial.
• CFD (Dinâmica dos Fluidos Computacional): Fornece informações de campo completo, mas é computacionalmente custosa, sensível a condições de contorno e carece de capacidade em tempo real. Além disso, dados simulados podem conter vieses sistemáticos que não refletem a variabilidade real da turbulência.
• Interpolação Tradicional (ex.: Kriging): Assume estacionaridade espacial, uma premissa frequentemente violada em ambientes de telhados com separação de fluxo e zonas de recirculação.

O estudo visa preencher essas lacunas desenvolvendo um framework de "aprendizado a partir da observação" utilizando dados experimentais reais, em vez de simulações, e comparando métodos determinísticos com métodos de aprendizado generativo.

2. Metodologia

O estudo estabelece um framework de ponta a ponta utilizando dados de medição de Velocimetria por Imagem de Partículas (PIV) de alta resolução obtidos em um túnel de vento.

• Dados Experimentais:
  • Modelo: Bloco retangular isolado (escala 1:200).
  • Condições: Três direções de vento (0°, 22,5° e 45°).
  • Dados: Campos de velocidade instantâneos (u, v) em uma grade 15x15.
• Métodos de Reconstrução Avaliados:
  1. Kriging: Usado como baseline tradicional (interpolação determinística baseada em correlação espacial).
  2. UNet: Arquitetura de rede convolucional (CNN) com estrutura de codificador-decodificador e conexões de salto (abordagem determinística).
  3. ViTAE (Vision Transformer Autoencoder): Híbrido que combina mecanismos de atenção global do Transformer com processamento local de CNN.
  4. CWGAN (Conditional Wasserstein GAN): Abordagem generativa adversarial para capturar características não lineares da turbulência.
• Estratégias de Treinamento e Avaliação:
  • SDT (Single-Direction Training): Treinamento em uma única direção de vento e teste em outras (avalia generalização cruzada).
  • MDT (Mixed-Direction Training): Treinamento com dados de múltiplas direções de vento.
  • Configurações de Sensores: Densidades variando de 5 a 30 sensores, incluindo cenários com perturbações de posição (±1 célula da grade) para simular erros de instalação.
  • Otimização de Sensores: Uso de decomposição QR sobre bases POD (Proper Orthogonal Decomposition) para identificar as posições de sensores que maximizam a independência linear das medições.
• Métricas de Avaliação: SSIM (Similaridade Estrutural), FAC2 (Fator de 2), MG (Viés Geométrico Médio) e NMSE (Erro Quadrático Médio Normalizado).

3. Principais Contribuições

1. Framework Baseado em Dados Reais: Diferente da maioria dos estudos que usam dados de CFD, este trabalho treina e avalia modelos diretamente em dados experimentais de túnel de vento, incorporando ruído real e variabilidade natural.
2. Comparação Abrangente de Arquiteturas: Avaliação sistemática de três arquiteturas de Deep Learning (UNet, ViTAE, CWGAN) contra um baseline clássico (Kriging), analisando trade-offs entre precisão, complexidade computacional e robustez.
3. Análise de Estratégias de Dados: Demonstração de que o treinamento com múltiplas direções de vento (MDT) é essencial para o desempenho de modelos de Deep Learning, superando significativamente o treinamento em direção única.
4. Otimização de Posicionamento de Sensores: Validação de um método baseado em QR para otimizar a colocação de sensores, demonstrando ganhos de robustez contra perturbações de posição.
5. Guia Prático de Seleção: Fornecimento de diretrizes para seleção de métodos e configuração de sensores baseada em cenários de aplicação específicos (ex.: número de sensores, necessidade de robustez vs. precisão).

4. Resultados Chave

• Desempenho Geral (Deep Learning vs. Kriging):
  • Em cenários de treinamento misto (MDT), os modelos de Deep Learning superaram consistentemente o Kriging, com melhorias de até 32,7% no SSIM, 24,2% no FAC2 e 27,8% no NMSE.
  • Em cenários de treinamento único (SDT) com poucos sensores (ex.: 5 sensores), o Kriging superou o Deep Learning (diferença de 52,7–61,4% no SSIM), pois as redes lutaram para generalizar sem dados suficientes e com falta de diversidade no treinamento.
• Impacto do Treinamento Misto (MDT):
  • O treinamento com múltiplas direções foi fundamental. Comparado ao SDT, o MDT resultou em melhorias drásticas no SSIM (até 173,7%) para os modelos de Deep Learning, permitindo que eles aprendessem padrões de fluxo transversais.
• Comparação entre Arquiteturas de Deep Learning:
  • UNet: Ofereceu o melhor equilíbrio entre precisão geométrica (MG próximo de 1,0) e eficiência.
  • CWGAN: Alcançou o maior SSIM (qualidade estrutural), mas com custo computacional 45,6 vezes maior que o UNet e maior viés geométrico.
  • ViTAE: Apresentou alta eficiência computacional (26,3% mais barato que o UNet), mas foi mais sensível a perturbações na posição dos sensores.
• Robustez e Otimização:
  • A otimização baseada em QR aumentou a robustez do sistema contra perturbações de posição dos sensores em até 27,8%.
  • A análise de sensibilidade mostrou que, embora o Deep Learning seja geralmente mais robusto que o Kriging, a sensibilidade a perturbações tende a aumentar com a densidade de sensores em certas arquiteturas.
• Estratégias Temporais: A média pós-predição (post-averaging) geralmente superou a média pré-predição (pre-averaging), mas a média pré-predição é uma alternativa viável quando os dados temporais são limitados.

5. Significado e Conclusão

Este estudo demonstra que métodos de aprendizado profundo, quando treinados com dados experimentais reais e estratégias de dados diversificadas (MDT), superam as técnicas de interpolação tradicionais na reconstrução de campos de vento em telhados complexos.

A pesquisa fornece insights críticos para a implementação prática:

• Para cenários com poucos sensores e dados de treinamento limitados a uma direção, o Kriging ainda pode ser preferível.
• Para aplicações reais com múltiplas direções de vento, o Deep Learning é superior, sendo o UNet recomendado como padrão devido ao seu equilíbrio entre precisão e custo, e o CWGAN para casos onde a máxima fidelidade estrutural é necessária, independentemente do custo computacional.
• A otimização da posição dos sensores (via QR) é crucial para garantir a robustez do sistema contra incertezas de instalação.

O trabalho destaca a importância de considerar conjuntamente a estratégia de treinamento, a configuração de sensores e a arquitetura do modelo para garantir a confiabilidade em aplicações de mundo real, como operações de drones e gestão de energia em edifícios. O código fonte e os modelos treinados foram disponibilizados como open source.