Cavity shape reconstruction with a homogeneous Robin condition via a constrained coupled complex boundary method with ADMM

Resumo Técnico: Reconstrução da Forma de Cavidade com Condição de Robin Homogênea via CCBM Restrito e ADMM

Enunciado do Problema
Este estudo aborda o problema inverso de identificação de fronteira de reconstruir uma fronteira interior $\Gamma$ desconhecida de uma cavidade dentro de um corpo condutor $\Omega$. O domínio é duplamente conexo, limitado por uma fronteira exterior acessível $\Sigma$ e a fronteira interior inacessível $\Gamma$. A variável de estado $u$ (representando potencial elétrico ou temperatura) satisfaz a equação de Laplace $-\Delta u = 0$ em $\Omega$. Na fronteira acessível $\Sigma$, dados de Cauchy $(f, g)$ são prescritos, onde $u=f$ e $\partial_n u = g$. Na fronteira desconhecida $\Gamma$, a função satisfaz uma condição de Robin homogênea: $\partial_n u + \alpha u = 0$, onde $\alpha$ é uma constante estritamente positiva.

O problema é inerentemente mal-posto. Embora a unicidade local possa valer para domínios específicos, um único par de Cauchy geralmente corresponde a infinitos domínios admissíveis, tornando a reconstrução de $\Gamma$ indeterminada sem restrições adicionais ou regularização. Além disso, métodos clássicos de otimização de forma frequentemente lutam para recuperar com precisão características côncavas ou não convexas da fronteira, particularmente em configurações de medição única.

Metodologia
Os autores propõem uma aplicação novel do Método de Fronteira Complexa Acoplada (CCBM) combinado com uma estrutura do Método Alternado de Multiplicadores de Direção (ADMM) para abordar esses desafios.

1. Formulação CCBM:
   O problema real superdeterminado original é reformulado como um problema de valor de fronteira de valor complexo. Os dados de Cauchy em $\Sigma$ são acoplados via uma condição de Robin complexa: $\partial_n u + i\rho u = g + i\rho f$ em $\Sigma$, enquanto a condição física de Robin $\partial_n u + \alpha u = 0$ permanece em $\Gamma$. Aqui, $u = u_1 + iu_2$ é uma solução de valor complexo.
   O problema inverso é transformado em um problema de otimização de forma: encontrar o domínio $\Omega$ tal que a parte imaginária da solução, $u_2$, se anule em $\Omega$. O funcional de custo a ser minimizado é $J(\Omega) = \frac{1}{2} \int_\Omega |u_2|^2 dx$.

2. Análise de Sensibilidade de Forma:
   O artigo deriva a derivada de forma do funcional de custo usando cálculo de forma. O gradiente é expresso como uma integral de fronteira sobre $\Gamma$ envolvendo a solução de estado $u$ e um estado adjunto $p$. O sistema adjunto é uma EDP complexa com condições de fronteira específicas derivadas do Lagrangiano do problema de otimização.

3. Otimização Restrita via ADMM:
   Para melhorar a estabilidade contra ruído e inicialização pobre, particularmente para geometrias côncavas, os autores introduzem uma restrição de desigualdade na parte real da variável de estado: $a \leq \Re\{u\} \leq b$ quase em todo lugar em $\Omega$.
   Isso leva a um problema de otimização de forma restrito (Problema 3). Para resolvê-lo, os autores empregam uma estratégia ADMM:

   • Divisão de Variáveis: Uma variável auxiliar $v$ é introduzida para desacoplar a restrição de desigualdade da equação de estado.
   • Lagrangiano Aumentado: O problema é resolvido minimizando um funcional Lagrangiano aumentado.
   • Esquema Iterativo: O algoritmo alterna entre:
     • Atualização de Forma (SP1): Minimização do Lagrangiano aumentado em relação à forma $\omega$ (usando o gradiente de forma derivado e um método de gradiente de Sobolev para deformação de malha).
     • Atualização de Variável (SP2): Atualização da variável auxiliar $v via projeção sobre o conjunto convexo admissível $K = \{v \in L^2(\Omega) : a \leq v \leq b\}$.
     • Atualização de Multiplicador: Atualização do multiplicador de Lagrange $\lambda$.

Contribuições Principais

• Aplicação Novel do CCBM: Este trabalho estende a estrutura CCBM, anteriormente usada para problemas inversos de fonte e condutividade, para a identificação de fronteiras de Robin.
• Formulação Restrita: A integração de restrições de desigualdade na estrutura CCBM via ADMM é uma contribuição primária. Esta abordagem impõe limites físicos à variável de estado sem introduzir termos adicionais de regularização geométrica (como penalização de perímetro), preservando assim a estrutura original do CCBM enquanto aprimora a estabilidade.
• Derivação da Derivada de Forma: O artigo fornece uma derivação rigorosa do gradiente de forma para o sistema de estado complexo acoplado com a divisão ADMM, incluindo múltiplas expressões alternativas para o gradiente baseadas em formulações adjuntas diferentes.
• Implementação Numérica: O método é implementado usando o Método dos Elementos Finitos (MEF) no FreeFem++, utilizando uma representação de Riesz $H^1$ do gradiente de forma para garantir deformações de malha suaves.

Resultados Numéricos
O método proposto foi validado através de vários experimentos numéricos envolvendo diferentes formas de cavidade (elipse, pipa, quadrado, bloco em L) e níveis de ruído.

• Detecção de Concavidade: O método CCBM não restrito mostrou desempenho aprimorado sobre abordagens clássicas na detecção de regiões côncavas, mas ainda exibiu limitações na resolução da profundidade das concavidades, especialmente com coeficientes de Robin pequenos ($\alpha$) ou dados ruidosos.
• Impacto das Restrições: A abordagem ADMM restrita demonstrou robustez superior. Suprimiu efetivamente oscilações espúrias induzidas pelo ruído e forneceu reconstruções mais estáveis através de diferentes suposições iniciais.
• Sensibilidade de Parâmetros: O parâmetro de peso $\rho$ no acoplamento complexo foi encontrado influenciando a sensibilidade a características geométricas; valores maiores melhoraram a resolução de detalhes finos, mas exigiram ajuste cuidadoso para evitar amplificação de ruído.
• Influência dos Dados: A qualidade da reconstrução dependeu altamente dos dados de Dirichlet prescritos $f$. Excitações espacialmente variáveis (por exemplo, funções trigonométricas) produziram recuperação significativamente melhor de características côncavas em comparação com dados constantes.
• Robustez ao Ruído: Sob baixos níveis de ruído ($\delta = 0,005, 0,01$), o método ADMM restrito manteve consistência geométrica, enquanto o método não restrito mostrou maior sensibilidade à inicialização e ao ruído.

Significância e Alegações
O artigo alega que a estrutura ADMM-CCBM proposta oferece uma abordagem mais estável e robusta para problemas de reconstrução de forma inversa envolvendo condições de Robin homogêneas em comparação com a formulação CCBM padrão. A significância reside na capacidade de lidar com a má-postura severa de problemas inversos de medição única, particularmente na recuperação de geometrias não convexas.

Os autores notam modestamente que, embora o método melhore a estabilidade e reduza oscilações, a recuperação precisa da profundidade e nitidez das concavidades permanece desafiadora devido à má-postura inerente do problema. A melhoria é atribuída à imposição de restrições de estado motivadas fisicamente via ADMM, que orientam o processo de otimização mais efetivamente do que funcionais de mínimos quadrados ou de lacuna de energia não restritos. O trabalho não alega resolver o problema de identificabilidade (unicidade), mas sim fornece uma estratégia numérica que produz "reconstruções razoáveis" e "recuperação qualitativa aprimorada" onde métodos clássicos frequentemente falham ou produzem artefatos. Trabalhos futuros são sugeridos para incluir múltiplas medições e seleção adaptativa de parâmetros.