Resumo Técnico: Redução de Testes Experimentais em Análises de Resfriamento por Filme para Propulsão Espacial por Interpolação Generativa de Imagem Pixel a Pixel

1. Declaração do Problema

O resfriamento por filme é uma estratégia crítica de gerenciamento térmico em sistemas de propulsão aeroespacial, protegendo componentes como paredes da câmara de combustão e bocais contra cargas térmicas extremas. No entanto, a otimização desses sistemas exige compreender interações complexas entre parâmetros de projeto (geometria do injetor, propriedades do refrigerante) e condições operacionais. Capturar essas interações experimentalmente demanda testes físicos extensivos, frequentemente limitados por tempo, custo e recursos, especialmente ao escalar para espaços de parâmetros de alta dimensão. Métodos tradicionais de redução de dados, como aproximações escalares ou modelagem de superfície de resposta, têm dificuldade em capturar anomalias locais, descontinuidades e características turbulentas inerentes ao comportamento real do resfriamento por filme.

2. Metodologia: PixCOIN

Os autores propõem o PixCOIN (Interpolação Condicional de Imagem Baseada em Pixels), uma abordagem de aprendizado de máquina projetada para reconstruir dados de imagem a partir de medições experimentais esparsas. Diferentemente da interpolação convencional ou da modelagem de superfície, o PixCOIN opera diretamente no espaço de pixels para gerar imagens complexas e espacialmente detalhadas, sem depender de suposições geométricas.

Arquitetura Central

• Tipo de Modelo: Uma rede neural feed-forward totalmente conectada (FFNN) leve com ativações ReLU.
• Recursos de Entrada: A rede aceita duas entradas principais:
  1. Parâmetros Operacionais Físicos ($p$): Como ângulo de injeção, vazão mássica e pressão.
  2. Codificação Posicional: Coordenadas de pixels normalizadas $(x, y)$ são integradas explicitamente como recursos de entrada. Isso permite que o modelo aprenda padrões dependentes do espaço diretamente, sem utilizar arquiteturas convolucionais.
• Estratégia de Treinamento: Em vez de treinar em imagens completas, o conjunto de dados é decomposto em entradas em nível de pixel. Cada amostra de treinamento consiste em coordenadas normalizadas, parâmetros físicos associados e a intensidade do pixel alvo. Essa abordagem previne o sobreajuste a estruturas em nível de imagem e garante exposição ampla em todo o conjunto de dados.
• Função de Perda: O modelo é treinado usando a perda de Erro Quadrático Médio (MSE).
• Inferência: Na inferência, os parâmetros físicos são fixados em um ponto operacional desejado. A rede avalia sequencialmente todas as coordenadas espaciais $(x, y)$ para produzir previsões de intensidade, que são montadas em uma imagem 2D representando a distribuição de filme prevista.

Extensão Informada por Conhecimento

Para abordar erros de segmentação local (por exemplo, na Zona de Fluxo Radial), os autores propõem uma extensão que integra conhecimento especializado de domínio:

• Mecanismo: Um classificador CNN leve detecta falhas de segmentação em imagens sintetizadas.
• Adaptação: Usando Mapeamento de Ativação de Classe Ponderado por Gradiente (Grad-CAM), o sistema localiza regiões defeituosas. Durante a retropropagação, pixels marcados como defeituosos são treinados usando uma função de perda modificada que visa uma intensidade de primeiro plano de referência, enquanto outros pixels usam MSE padrão. Isso permite correção direcionada sem alterar a arquitetura da rede base.

3. Configuração Experimental e Dados

O método foi validado usando tanto dados sintéticos quanto experimentos reais de fluxo frio conduzidos no Centro Aeroespacial Alemão (DLR).

• Dados Reais: Os experimentos utilizaram uma câmara de combustão semiaberta com um único injetor de refrigerante. Imagens de alta velocidade (1024x1024, 50 FPS) capturaram o comportamento do filme fluido. Água desmineralizada com tinta foi usada como substituto do Peróxido de Alta Testagem (HTP).
• Pré-processamento: As imagens passaram por normalização geométrica (retificação da câmara semicilíndrica), remoção de ruído temporal (média de 10 quadros consecutivos) e segmentação (subtração de fundo e limiarização adaptativa). Todas as imagens foram reamostradas para 120x84 pixels para treinamento.
• Parâmetros: Cinco parâmetros-chave foram investigados: método de fabricação, diâmetro da câmara de combustão, diâmetro do bico do injetor, ângulo de injeção e pressão. O conjunto de dados completo compreendeu 480 pontos operacionais únicos com 10 imagens cada (4.800 pontos de dados no total).

4. Resultados Principais

O modelo foi avaliado usando métricas quantitativas, incluindo Erro Quadrático Médio Raiz (RMSE), Índice de Similaridade Estrutural (SSIM), Relação Sinal-Ruído de Pico (PSNR), Similaridade de Cosseno e Hashing Perceptual.

• Desempenho com Dados Reduzidos: O estudo demonstrou que o PixCOIN mantém alta precisão mesmo com dados experimentais significativamente reduzidos.
  • Reduzir o número de configurações de vazão mássica de 5 para 3 resultou em um aumento marginal de RMSE de 0,95% e uma diminuição de SSIM de 1,54%.
  • Reduzir para apenas 2 configurações (mínimo e máximo) fez com que o RMSE subisse para ~9,0% e o SSIM caísse para ~90,9%, mas o desempenho permaneceu dentro de limites aceitáveis (RMSE < 10%).
  • Uma redução aleatória de 30% dos pontos operacionais resultou em RMSE < 8% e SSIM > 93%.
• Interpolação vs. Extrapolção: O modelo performa de forma robusta em cenários de interpolação. No entanto, como esperado em métodos baseados em dados, a extrapolação para valores de parâmetros não vistos (por exemplo, um ângulo de injeção de 0° não presente no treinamento) resultou em erros notavelmente maiores e qualidade de imagem inferior em comparação com casos interpolados.
• Validação Sintética: Em conjuntos de dados sintéticos, o modelo regressou com sucesso funções subjacentes, capturando detalhes finos, como estruturas de um pixel de largura e gradientes de cinza suaves.
• Eficiência Computacional: O treinamento de um modelo de tamanho médio (~3,5M de parâmetros) levou aproximadamente 7 minutos por época em uma GPU NVIDIA RTX 3500 Ada. A inferência para uma única imagem levou aproximadamente 6 segundos.

5. Significado e Contribuições

O artigo reivindica as seguintes contribuições:

1. Redução Experimental Eficiente: A abordagem permite uma redução de 30% nas medições enquanto preserva dados de alta qualidade (RMSE < 8%, SSIM > 93%), oferecendo uma solução escalável para campanhas experimentais onde diagnósticos baseados em imagem são centrais.
2. Interpolação Pixel a Pixel: Fornece um método geral e leve para interpolação de imagem pixel a pixel baseado em codificação posicional, capaz de gerar padrões espaciais complexos sem suposições geométricas.
3. Refinamento Guiado por Especialistas: A extensão informada por conhecimento proposta permite o refinamento local de imagens geradas com base em conhecimento especializado de domínio, abordando modos de falha específicos, como erros de segmentação em zonas de fluxo críticas.
4. Aplicação Prática: O método facilita uma exploração mais ágil do espaço de projeto no desenvolvimento de propulsão, reduzindo a dependência de campanhas de teste custosas e permitindo a otimização eficiente de configurações de injetores de refrigerante.

Os autores concluem que, embora desafios permaneçam quanto a inconsistências experimentais sistemáticas e qualidade de segmentação, o PixCOIN demonstra potencial robusto para reduzir o ônus experimental na pesquisa de propulsão espacial, mantendo uma representação de dados de alta fidelidade.