Complex Orthogonal Decomposition (C.O.D.) using Python

Este trabalho apresenta a aplicação da Decomposição Ortogonal Complexa (C.O.D.) para a extração de modos espaciais e temporais de sinais oscilatórios, fornecendo fundamentos teóricos e exemplos práticos com scripts em Python para demonstrar a eficiência do método.

O essencial

Imagine que você está tentando entender a coreografia complexa de um cardume de peixes nadando ou a dança de ondas em um tanque de água. O movimento não é simples; é uma mistura de tempo e espaço, onde cada ponto do corpo do peixe ou da superfície da água se move de forma única, mas conectada.

Este documento é um guia sobre uma ferramenta matemática chamada Decomposição Ortogonal Complexa (C.O.D.), que funciona como um "desmontador de mistérios" para esses movimentos. Aqui está a explicação, traduzida para uma linguagem simples e cheia de analogias:

1. O Problema: A "Sopa" de Movimentos

Quando observamos algo oscilando (como um peixe nadando ou uma onda), temos um sinal que muda com o tempo e com a posição.

• A dificuldade: Métodos tradicionais (como a Transformada de Fourier) tentam decompor esse movimento em ondas perfeitas e simples (como senoides). Mas a natureza é bagunçada! O movimento de um peixe não é uma onda perfeita; ele tem formas estranhas e irregulares. Tentar usar ondas perfeitas para descrever um movimento irregular é como tentar encaixar um quadrado num buraco redondo: não funciona bem e você perde informações importantes.

2. A Solução: A C.O.D. (O "Desmontador" Inteligente)

A C.O.D. é uma técnica que diz: "Esqueça as ondas perfeitas. Vamos descobrir quais são as formas reais que o objeto está usando e quando elas acontecem."

Ela separa o sinal em duas partes fundamentais:

1. A Forma Espacial (O "Molde"): Como é o formato da onda no espaço? (Ex: É uma curva suave? É um pico agudo?)
2. O Comportamento Temporal (O "Relógio"): Como essa forma muda com o tempo? (Ex: Ela cresce, diminui, oscila rápido ou devagar?)

A Analogia da Orquestra:
Imagine uma orquestra tocando uma música complexa.

• O método antigo tentava ouvir a música inteira e dizer: "É uma mistura de notas agudas e graves".
• A C.O.D. é como ter óculos de raio-x que permitem ver cada músico individualmente. Ela diz: "O violino está tocando essa melodia específica (forma espacial) com este ritmo (comportamento temporal), e o violoncelo está fazendo outra coisa". Ela isola cada "músico" (modo) do caos geral.

3. O Truque Mágico: O "Espelho" (Transformada de Hilbert)

Para fazer essa mágica funcionar, a C.O.D. usa um truque matemático chamado Transformada de Hilbert.

• A Analogia: Imagine que você tem uma foto de uma onda (o sinal real). O problema é que a foto é "plana" e não mostra para onde a onda está indo. A Transformada de Hilbert cria uma "imagem espelho" (o sinal complexo) que revela a fase e a direção da onda.
• Com essa "imagem 3D" (complexa), a matemática consegue separar o que é uma onda que viaja (como uma onda do mar indo para a praia) do que é uma onda parada (como uma corda de violão vibrando no lugar).

4. O "Índice de Viagem" (Travelling Index)

Um dos resultados mais legais dessa análise é um número chamado Índice de Viagem.

• Índice 0: Significa uma onda parada (Standing Wave). Pense em uma corda de violão vibrando. Ela sobe e desce no mesmo lugar.
• Índice 1: Significa uma onda viajante (Travelling Wave). Pense em uma onda do mar que se move da esquerda para a direita.
• O que a C.O.D. faz: Ela olha para cada "músico" da orquestra e diz: "Você é 100% parado, 100% viajante, ou uma mistura estranha dos dois?". Isso ajuda cientistas a entender a eficiência do nado de um peixe ou a energia de uma onda.

5. Os Exemplos do Papel (O que eles testaram)

Os autores testaram essa ferramenta em três cenários diferentes para provar que ela funciona:

• Exemplo 1 (Ondas na Água): Criaram ondas artificiais em um tanque. A C.O.D. conseguiu separar perfeitamente duas ondas que estavam misturadas, identificando exatamente a amplitude e a forma de cada uma, mesmo que estivessem "grudadas" uma na outra.
• Exemplo 2 (Onda que Morre): Simularam uma onda que vai diminuindo de tamanho com o tempo (como um pêndulo parando). Mesmo com a energia sumindo, a C.O.D. conseguiu identificar que a forma da onda permanecia a mesma, apenas ficando mais fraca.
• Exemplo 3 (Onda de Frequência Variável): Criaram uma onda que muda de velocidade (frequência) o tempo todo. Métodos comuns falhariam aqui, mas a C.O.D. manteve a forma espacial intacta e mostrou que todas as variações de frequência pertenciam à mesma "forma" de onda.

6. Para Dados "Bagunçados" (Grid Não Uniforme)

No mundo real, os sensores nem sempre estão alinhados perfeitamente (um sensor aqui, outro ali, distâncias diferentes).

• A C.O.D. é flexível. O papel mostra que, mesmo com os sensores em posições aleatórias (como pontos espalhados numa folha de papel), a ferramenta consegue "pesar" corretamente cada ponto e ainda assim descobrir a forma da onda. É como se ela soubesse calcular a média mesmo que as pessoas estivessem sentadas em lugares diferentes na mesa.

Resumo Final

Este trabalho apresenta uma ferramenta poderosa (com códigos em Python prontos para uso) que permite aos cientistas:

1. Ver o invisível: Descobrir formas de onda que métodos tradicionais não conseguem ver.
2. Separar o misto: Isolar diferentes movimentos que estão acontecendo ao mesmo tempo.
3. Medir a direção: Saber se algo está viajando ou apenas vibrando no lugar.

É como ter uma lente de aumento matemática que transforma um caos de dados em uma partitura musical clara, onde cada nota e cada instrumento são perfeitamente compreendidos.

Resumo técnico

Resumo Técnico: Decomposição Ortogonal Complexa (C.O.D.)

1. Problema e Motivação

O artigo aborda o desafio de analisar sinais espaço-temporais oscilatórios ($s(t, x)$) onde a forma espacial da onda é desconhecida e não necessariamente periódica.

• Limitação das Abordagens Clássicas: Métodos tradicionais, como a Transformada de Fourier 2D (espaço-tempo), falham quando o sinal não se decompõe bem em uma base de Fourier espacial. Um exemplo citado é o movimento de peixes nadando, onde a oscilação do corpo possui frequências definidas, mas a forma espacial da onda não é perfeitamente periódica.
• Objetivo: Desenvolver e aplicar uma ferramenta capaz de extrair modos espaciais e temporais acoplados, preservando a informação de fase e lidando com formas espaciais arbitrárias.

2. Metodologia: Decomposição Ortogonal Complexa (C.O.D.)

A C.O.D. é apresentada como uma extensão da Decomposição Ortogonal Proper (P.O.D.), adaptada para sinais oscilatórios complexos. A metodologia segue os seguintes passos teóricos e discretos:

A. Sinal Analítico Complexo

Para capturar a estrutura oscilatória (amplitude e fase), o sinal real $s(t, x)$ é convertido em um sinal analítico complexo $s_c(t, x)$ utilizando a Transformada de Hilbert no domínio do tempo:
$$s_c(t, x) = s(t, x) + i \mathcal{H}\{s(t, x)\}$$
Na implementação numérica, isso é feito eficientemente via Transformada Rápida de Fourier (FFT), suprimindo frequências negativas e duplicando as positivas.

B. Decomposição Modal

O sinal complexo é decomposto em uma soma de modos separáveis:
$$s_c(t, x) = \sum_{j=1}^{\infty} a_j(t) \phi_j(x)$$
Onde:

• $\phi_j(x)$ são os modos espaciais complexos (ortonormais).
• $a_j(t)$ são os coeficientes temporais complexos (coordenadas ortogonais complexas).

Os modos espaciais são obtidos resolvendo um problema de autovalores do operador de covariância espacial (ou da matriz de covariância no caso discreto). A matriz de covariância é hermitiana e semi-definida positiva, garantindo uma base ortonormal completa.

C. Índices de Propagação (Travelling Index)

Uma contribuição chave do método é o cálculo do índice de propagação ($\alpha_j$), que quantifica se um modo se assemelha a uma onda viajante ou a uma onda estacionária.

• Calculado a partir da matriz Gram dos componentes real e imaginário do modo espacial.
• $\alpha_j = 1$: Onda viajante perfeita (trajetória circular no plano complexo).
• $\alpha_j = 0$: Onda puramente estacionária (apenas componente real ou imaginária).

D. Implementação Discreta e Malhas Não Uniformes

O artigo detalha a discretização para dados experimentais (matrizes $N_t \times N_x$) e estende o método para malhas espaciais não uniformes. Para malhas não uniformes, introduz-se uma matriz de pesos quadráticos ($W$) para garantir que os produtos internos e a conservação de energia sejam calculados corretamente, respeitando o espaçamento local dos pontos de amostragem.

3. Contribuições Principais

1. Ferramenta Computacional (Python): O artigo fornece um pacote Python (pack_COD) e scripts de teste que implementam a C.O.D., tornando o método acessível para pesquisa e fins pedagógicos.
2. Validação Teórica e Numérica: Demonstra a equivalência entre a formulação contínua e a discreta, incluindo a derivação analítica para casos específicos.
3. Extensão para Malhas Irregulares: Apresenta uma formulação robusta para dados experimentais onde os sensores não estão igualmente espaçados, um cenário comum em hidrodinâmica e física experimental.
4. Análise de Sinais Não Estacionários: Demonstra a capacidade do método de lidar com sinais com amortecimento temporal e modulação de frequência.

4. Resultados dos Exemplos

O artigo valida o método através de três exemplos principais:

• Exemplo 1 (Ondas em Tanque): Simulação de ondas estacionárias e viajantes.
  • Resultado: A C.O.D. separou com precisão dois modos com frequências distintas, recuperando as amplitudes teóricas e as formas espaciais (senoidais). O índice de propagação calculado foi coerente com a teoria ($\alpha \approx 0$ para ondas estacionárias).
• Exemplo 2 (Onda Estacionária Amortecida): Sinal com decaimento exponencial no tempo.
  • Resultado: O método recuperou com sucesso o único modo espacial dominante, mesmo com a não periodicidade temporal estrita. O índice de propagação foi zero, confirmando a natureza estacionária. Discute-se a aproximação necessária na Transformada de Hilbert para sinais com amortecimento lento ($\gamma \ll \omega$).
• Exemplo 3 (Onda com Modulação de Frequência): Uma onda estacionária onde a frequência temporal varia (modulação FM).
  • Resultado: A C.O.D. demonstrou robustez ao identificar que, apesar do espectro temporal complexo (múltiplas frequências devido à modulação), existe apenas um único modo espacial. O índice de propagação permaneceu próximo de zero, provando que a modulação temporal não cria novos modos espaciais.
• Exemplo Adicional (Malha Não Uniforme): Aplicação em uma grade espacial com distribuição de Chebyshev.
  • Resultado: A versão ponderada da C.O.D. recuperou os mesmos modos espaciais e energéticos do caso de grade uniforme, validando a formulação para dados experimentais reais.

5. Significado e Impacto

A Decomposição Ortogonal Complexa (C.O.D.) apresenta-se como uma ferramenta superior à análise de Fourier tradicional para sinais oscilatórios espaciais complexos.

• Eficiência: Permite decompor sinais em modos físicos significativos sem a necessidade de conhecer a priori a forma espacial da onda.
• Interpretabilidade Física: O índice de propagação oferece uma métrica quantitativa direta para classificar o comportamento das ondas (viajante vs. estacionária), o que é crucial para entender a eficiência de propulsão em biologia (natação de peixes) ou a dinâmica de fluidos.
• Versatilidade: A capacidade de lidar com malhas não uniformes e sinais não perfeitamente periódicos torna o método altamente aplicável a dados experimentais reais, superando as limitações de métodos que exigem grades regulares e estacionariedade estrita.

Em suma, o trabalho fornece tanto a fundamentação teórica quanto a implementação prática necessária para aplicar a C.O.D. em problemas de dinâmica de fluidos, vibrações e análise de sinais oscilatórios complexos.