Patched Flow Matching: Generative Wall-Pressure Reconstruction Beyond Training-Domain Scales from Sparse Sensors

Resumo Técnico: Patched Flow Matching para Reconstrução de Pressão de Parede

Definição do Problema
Caracterizar o espectro completo da pressão de parede em escoamentos turbulentos com limite de parede é um desafio fundamental devido à natureza de banda larga e multiescala do fenômeno. O espectro exige a resolução simultânea de dois regimes distintos: a dinâmica de escala viscosa de alta frequência espacial (alto número de onda) próxima à parede e os movimentos de grande escala energéticos de baixa frequência espacial (baixo número de onda) na camada externa. Os métodos existentes falham em capturar ambos simultaneamente:

• Simulação Numérica Direta (DNS): Embora precisos para as escalas viscosas, capturar o conteúdo da camada externa de baixo número de onda requer domínios longitudinais excessivamente grandes (escalonando com $O(10\delta)$) e tempos de integração longos, tornando as simulações de alto número de Reynolds computacionalmente intratáveis. O DNS de domínio curto preserva a precisão próxima à parede, mas trunca todos os comprimentos de onda além do comprimento da caixa, perdendo o conteúdo energético de baixo número de onda.
• Sensores Experimentais Esparsos: Matrizes de transdutores de pressão podem abranger extensões longitudinais grandes, capturando o conteúdo de baixo número de onda. No entanto, o espaçamento entre sensores é ordens de magnitude mais grosseiro que a escala viscosa, colocando as estruturas de alto número de onda abaixo do limite de Nyquist. Além disso, as medições são convoluídas com funções de transferência dos dispositivos, dificultando a recuperação multiescala.

Métodos de reconstrução determinísticos (ex: CNNs de super-resolução) são insuficientes porque colapsam a estocasticidade inerente da turbulência e a natureza mal posta da inversão esparsa em uma única estimativa borrada, falhando em capturar estruturas coerentes de pequena escala ou incerteza.

Metodologia: Patched Flow Matching (Patched FM)
Os autores propõem o Patched Flow Matching (Patched FM), um framework generativo que funde um prior de alto número de onda proveniente de DNS de domínio curto com medições esparsas de sensores durante a inferência. O framework baseia-se em três pilares técnicos centrais:

1. Patch-Additive Flow Matching para Independência de Domínio:
   Em vez de treinar em campos de domínio total, o modelo aprende um prior local de patch sobre estatísticas de pressão de parede escalonadas internamente. Os autores derivam uma decomposição aditiva de patch do campo vetorial de flow matching. Ao fatorar a densidade de domínio total como um produto de densidades de patch e aplicar a identidade score-to-velocity para interpolantes lineares, mostra-se que a velocidade da ODE de domínio total se decompõe em uma soma de contribuições locais de patch independentes.

   • Mecanismo: Uma rede neural compartilhada $v_\theta$ processa patches de tamanho fixo. Durante a inferência, o domínio total é revestido com esses patches (com origens aleatórias para evitar artefatos de borda), e o campo de velocidade global é reconstruído pela soma das saídas de nível de patch. Isso desacopla o prior generativo do tamanho do domínio global, permitindo a reconstrução em domínios arbitrariamente maiores que a configuração de treinamento.

2. Escalonamento Interno como Pré-requisito Físico:
   O prior de patch é treinado em coordenadas escalonadas internamente ($x^+, z^+$), onde as estatísticas de alto número de onda são aproximadamente invariantes ao número de Reynolds. Essa escolha de design ancora as estatísticas aprendidas às escalas viscosas, permitindo que o modelo generalize através de diferentes números de Reynolds ($Re_\tau$) sem retreinamento total. Em contraste, coordenadas escalonadas externamente fazem com que as estatísticas de alto número de onda variem significativamente com $Re_\tau$, dificultando a transferência.

3. Geração Condicional Livre de Treinamento:
   Para reconstruir o espectro completo em domínios longos, o framework emprega amostragem posterior livre de treinamento.

   • Restrição de Sensor Esparso: Um termo de verossimilhança impõe consistência com medições esparsas de sensores ($y_1$) distribuídos ao longo do domínio longo.
   • Autorregressão Espacial: O domínio longo é gerado sequencialmente (autorregressivamente) em seções. Uma restrição de borda ($y_2$) garante que a borda esquerda da seção atual corresponda à borda direita da seção anterior, propagando informação de fase e amplitude para estruturas de grande escala.
   • Guia de Tweedie: A ODE não condicionada é aumentada com correções baseadas em gradiente derivadas do estimador de Tweedie, permitindo que o modelo se condicione a operadores de observação arbitrários sem retreinar o prior.

Principais Contribuições

1. Reconstrução de Espectro Completo em Grandes Domínios: O framework reconstrói com sucesso campos de pressão de parede em domínios quatro vezes maiores que a configuração de treinamento ($L^L_x = 16\pi\delta$ vs. $L^S_x = 4\pi\delta$) com cobertura de sensores de apenas 0,25%. Ele recupera o conteúdo espectral de baixo número de onda acessível ao DNS de domínio longo, mas ausente no DNS de domínio curto, mantendo estruturas de pequena escala de alta fidelidade.
2. Geração Independente do Tamanho do Domínio: A derivação do campo vetorial aditivo de patch permite a geração incondicional e a reconstrução condicionada por sensores em domínios de tamanho arbitrário usando uma única rede compartilhada, com o custo computacional escalando independentemente da extensão total do domínio.
3. Transferência de Número de Reynolds Eficiente em Dados: Ao alavancar o escalonamento interno, o modelo suporta aprendizado de transferência hierárquico ($Re_\tau: 180 \to 500 \to 1000$). O ajuste fino (fine-tuning) requer apenas 500 snapshots (2,5% dos dados de treinamento base) por número de Reynolds alvo, alcançando uma redução de até 8 vezes no custo de treinamento em comparação ao treinamento do zero. O framework também demonstra generalização zero-shot para números de Reynolds não vistos.

Result resultados
O método foi avaliado em DNS de escoamento de canal compressível em $Re_\tau = 180, 500$ e $1000$.

• Fidelidade Espectral: O Patched FM recupera com precisão os espectros de número de onda tanto na direção da corrente quanto na transversal. Na reconstrução condicional, ele reproduz fielmente o conteúdo energético elevado de baixo número de onda presente no DNS de domínio longo, mas ausente nos dados de treinamento de domínio curto.
• Comparação com Baselines:
  • Interpolação Cúbica: Falha em recuperar estruturas multiescala, produzindo campos severamente suavizados que perdem o conteúdo de alto número de onda.
  • Flow Matching Padrão (Domínio Total): Treinado em campos de resolução total, este baseline exibe quedas espectrais (roll-offs) e artefatos de pavimentação (tiling) ao ser extrapolado para domínios maiores, confirmando a necessidade da decomposição aditiva de patch.
  • Modelos Escalonados Externamente: Modelos treinados em coordenadas escalonadas externamente falham em transferir efetivamente para números de Reynolds mais altos, exibindo picos de perda e desvios espectrais, validando a necessidade física do escalonamento interno.
• Eficiência de Dados: O framework mantém a qualidade de geração com apenas 10 snapshots de treinamento no número de Reynolds alvo, desde que o modelo seja pré-treinado em coordenadas escalonadas internamente.
• Generalização Zero-Shot: Um modelo treinado em $Re_\tau = 1000$ reconstrói com sucesso campos em $Re_\tau = 500$ sem ajuste fino, enquanto um modelo treinado em $Re_\tau = 180$ mostra um viés descendente em números de onda intermediários, destacando os limites da transferência de números de Reynolds menores para maiores sem adaptação.

Significância e Alegações
O artigo afirma que o Patched FM fornece uma solução robusta, escalável e eficiente em dados para a reconstrução de pressão de parede, superando os gargalos de "tamanho de domínio" e "número de Reynolds" do modelagem generativa tradicional.

• Validade Física: O trabalho estabelece que o escalonamento interno não é apenas uma conveniência de normalização, mas um pré-requiste físico, pois alinha a capacidade de representação do modelo com a natureza universal das estatísticas de alta frequência espacial da pressão de parede.
• Necessidade Probabilística: Os autores argumentam que um framework generativo probabilístico é essencial para este problema para capturar o caráter estocástico da turbulência e a não unicidade inerente à inversão esparsa, que modelos determinísticos suprimem.
• Utilidade Prática: Ao desacoplar o prior generativo do tamanho do domínio em tempo de inferência e permitir o aprendizado de transferência hierárquica, o método torna a reconstrução de alta fidelidade de escoamentos turbulentos de grande escala viável, mesmo quando os dados de DNS de alto número de Reynolds são escassos ou indisponíveis para treinamento.