Tracking in-silico Lagrangian sensors in a lab-scale stirred tank reactor

Resumo Técnico: Rastreamento de Sensores Lagrangianos in-silico em um Reator de Tanque Agitado de Escala Laboratorial

Definição do Problema
Sensores lagrangianos (LS), que viajam livremente dentro de um fluido para fornecer medições espacialmente resolvidas das condições do reator, oferecem vantagens significativas sobre sensores eulerianos fixos, particularmente em biorreatores onde a mistura vigorosa é prejudicial. No entanto, o rastreamento tridimensional desses sensores permanece um desafio amplamente não resolvido. Embora os sensores possam medir aceleração e campos magnéticos por meio de unidades de medida inercial (IMUs) integradas, os dados inerciais isolados sofrem de deriva rápida, e os métodos de rastreamento tradicionais (ex: vídeo, sinais de rádio) são frequentemente inviáveis para operações industriais padrão. Além disso, os LS não seguem perfeitamente as linhas de corrente do fluido devido a efeitos de inércia (regidos pelo número de Stokes), o que exige modelos dinâmicos baseados em física em vez de simples suposições cinemáticas. Este artigo aborda o desafio de reconstruir as trajetórias 3D de LS usando apenas leituras de acelerômetro e magnetômetro fundidas com um modelo dinâmico baseado em física.

Metodologia
Os autores propõem uma estrutura de rastreamento que funde dados de sensores (aceleração e intensidade/direção do campo magnético) com um modelo dinâmico personalizado utilizando algoritmos de filtragem sequencial.

• Configuração Física: O estudo utiliza réplicas in-silico de um design de LS recentemente proposto (Geläschus et al., 2026). O sensor é equipado com um acelerômetro e um magnetômetro vetorial. Um campo de dipolo magnético artificial externo é gerado acima do reator para servir como um beacon de referência.
• Verdade de Campo (Ground Truth) e Dinâmica: As trajetórias de "verdade de campo" são geradas pela resolução numérica das equações de Maxey-Riley-Gatignol (MaRGE), que consideram efeitos de inércia, massa adicionada e a força de histórico de Basset. O estudo considera dois campos de fluxo:
  1. Um vórtice 3D definido analiticamente.
  2. Um campo de fluxo medido experimentalmente de um reator de tanque agitado (STR) de escala laboratorial, obtido via Shake-the-Box particle image velocimetry.
• Algoritmos de Filtragem: Três abordagens de filtragem são implementadas e comparadas:
  1. Filtro de Kalman Estendido (EKF): Utiliza um vetor de estado que inclui posição, velocidade e aceleração. O modelo de processo é derivado das equações MaRGE, mas exclui intencionalmente o termo de histórico de Basset para simular um erro de modelo controlado. O sistema é linearizado via Jacobianos (computados usando diferenciação automática) para predição e atualização de estado.
  2. Filtro de Partículas (PF): Um método de Monte Carlo sequencial usando uma abordagem de bootstrap. O vetor de estado inclui posição e velocidade. Emprega temperamento adaptativo para manter a diversidade das partículas e reamostragem sistemática com roughening para evitar o empobrecimento da amostra.
  3. Filtro de Kalman Não Linear Unscented (UKF): Implementado usando a biblioteca pykalman como uma comparação de linha de base, utilizando as mesmas covariâncias de ruído e condições iniciais que o EKF.
• Ruído e Validação: Dados sintéticos são gerados com 5% de ruído Gaussiano adicionado às medições. Os filtros são testados contra esses dados ruidosos para reconstruir a verdade de campo. O desempenho é avaliado usando o erro euclidiano relativo normalizado pelo comprimento do arco da trajetória.

Principais Contribuições

• Estrutura de Rastreamento Baseada em Física: O artigo introduz uma estrutura que integra um campo magnético artificial com dados de IMU, utilizando especificamente um modelo dinâmico baseado nas equações MaRGE para considerar a natureza inercial dos sensores.
• Robustez ao Erro de Modelo: O estudo demonstra que o rastreamento preciso é alcançável mesmo quando o modelo de processo do filtro (que ignora a força de Basset) difere da dinâmica da verdade de campo, simulando um cenário realista de incompatibilidade de modelo.
• Comparação Algorítmica: Uma comparação sistemática entre EKF, PF e UKF tanto em fluxos idealizados (vórtice) quanto em campos de fluxo complexos e derivados experimentalmente.
• Reprodutibilidade em Código Aberto: Todos os resultados de rastreamento e códigos são disponibilizados para reprodução.

Resultos

• Fluxo de Vórtice (Idealizado): Tanto o EKF quanto o PF reconstruíram trajetórias com erros relativos abaixo de 1%. O UKF apresentou um bom desempenho inicial, mas divergiu progressivamente após $t \approx 2$, resultando em erros mais de três vezes maiores que os outros filtros até $t=5$. O UKF mostrou-se significativamente mais sensível à covariância do estado inicial.
• Reator de Tanque Agitado (Experimental): No campo de fluxo complexo e medido experimentalmente, o EKF superou o PF, mantendo erros relativos abaixo de 6% (média de ~1,1%) comparado à média de ~2,2% do PF. O PF exibiu maior volatilidade devido à dificuldade de representar a distribuição posterior em fluxos complexos com um conjunto finito de partículas. O UKF falhou completamente neste cenário, produzindo um erro relativo médio superior a 1800%, atribuído às fortes não-linearidades no campo de fluxo experimental que a implementação genérica do UKF não conseguiu lidar.
• Tratamento de Erro de Modelo: Apesar da omissão intencional da força de Basset nos modelos de filtro (introduzindo um erro de modelo significativo), tanto o EKF quanto o PF foram capazes de rastrear as partículas in-silico de forma eficaz, sugerindo que a estrutura é robusta a certos tipos de imprecisões do modelo dinâmico.

Significância e Alegações
O artigo alega que a estrutura proposta demonstra o potencial para o rastreamento online de sensores lagrangianos em reatores químicos. Os autores enfatizam que, embora os resultados sejam promissores, baseiam-se em partículas in-silico e trajetórias simuladas, não em rastreamento experimental do mundo real.

O estudo destaca algumas limitações e passos futuros:

• Validação no Mundo Real: A lacuna entre os modelos dinâmicos usados nos filtros e o movimento real dos LS (que podem ter desalinhamento entre centro geomético e de massa) ainda não é totalmente compreendida. Trabalhos futuros devem validar a abordagem com partículas reais no reator de escala laboratorial.
• Restrições de Materiais: A abordagem de campo magnético artificial é limitada a reatores feitos de materiais não magnéticos; vasos de aço exigiriam estratégias de posicionamento alternativas.
• Capacidade de Tempo Real: As implementações atuais são offline. Alcançar o rastreamento em tempo real exigirá um aumento de velocidade computacional de duas ordens de magnitude, provavelmente necessitando a migração de Python para linguagens compiladas (C/C++) e processamento paralelo em GPUs.
• Características de Ruído: A suposição de ruído Gaussiano aditivo pode não refletir as complexidades da comunicação de baixa potência em ambientes industriais, embora técnicas de redução de ruído via aprendizado de máquina sejam sugeridas como um possível remédio.

Em conclusão, os autores apresentam uma prova de conceito robusta de que a filtragem baseada em física de dados de IMU e magnéticos pode reconstruir trajetórias com erros relativos abaixo de 10% (e frequentemente abaixo de 5%) em ambientes de fluxo complexos, pavimentando o caminho para o futuro uso operacional de sensores lagrangianos.