Offline accuracy is not enough: closed-loop instability and stabilisation of a wall-sensor neural estimator in opposition control

Resumo Técnico: A Precisão Offline não é Suficiente: Instabilidade de Malha Fechada e Estabilização de um Estimador Neural Parede-Sensor em Controle de Oposição

Enunciado do Problema
O controle de oposição é uma estratégia canônica de controle ativo de fluxo que reduz o arrasto por fricção superficial ao impor uma velocidade de sopro e sucção normal à parede igual e oposta à velocidade normal à parede medida em um plano de detecção dentro da camada de buffer. Embora eficaz, esta estratégia requer quantidades de sensoriamento (velocidade em $z^+ \approx 14$) que não estão disponíveis a partir de sensores montados na parede. Embora o aprendizado profundo e a estimativa estocástica linear tenham demonstrado uma reconstrução de alta fidelidade offline de quantidades do fluxo interno a partir da tensão de cisalhamento na parede ($\tau_x, \tau_y$), permanece não comprovado se tais estimadores podem funcionar como substitutos (surrogates) vivos dentro de um sistema de feedback de malha fechada. A questão central abordada é se um estimador neural, treinado em um estado de fluxo fixo, pode manter estabilidade e desempenho quando implantado para modificar ativamente o próprio fluxo que ele sente.

Metodologia
Os autores empregam Simulação Numérica Direta (DNS) de um escoamento de canal turbulento com um número de Reynolds de fricção $Re_\tau = 180$. O loop de controle opera da seguinte forma:

1. Sensoriamento: O controlador lê os componentes instantâneos da tensão de cisalhamento na parede ($\tau_x, \tau_y$).
2. Estimativa: Uma rede de Unidade Recorrente de Portão Convolucional (ConvGRU) mapeia esses sinais de parede para uma estimativa da velocidade normal à parede no plano de detecção ($\hat{w}$). A arquitetura recorrente fornece contexto temporal, abordando a natureza subdeterminada de inferir campos fora da parede a partir de um único snapshot da parede.
3. Atuação: A velocidade estimada é usada na lei de oposição ($w_{wall} = -\alpha \hat{w}$) para impor uma condição de contorno de sopro e sucção de massa líquida nula.

O estudo procede através de três fases distintas:

• Validação Offline: O estimador é treinado em dados de um escoamento de controle de oposição (OC) ideal e estatisticamente estacionário e é validado offline.
• Análise de Falha de Malha Fechada: O estimador é implantado diretamente. Os autores analisam o mecanismo de instabilidade, observando que pequenos erros de alta frequência espacial (alto número de onda), quando impostos como uma condição de contorno, acumulam-se e conduzem o fluxo para fora da distribuição de treinamento (deslocamento de distribuição).
• Estratégia de Estabilização: Duas medidas corretivas são introduzidas:
  1. Correspondência Espectral: Um filtro passa-baixas espectral e um redimensionamento espectral na direção transversal são aplicados à atuação implantada. Isso força o espectro de energia do campo estimado a corresponder à distribuição de referência de treinamento, removendo modos de alto número de onda instáveis que o sinal da parede não consegue resolver.
  2. Retreinamento em Malha Fechada: O estimador é retreinado nos dados coletados do próprio fluxo controlado (coleta de dados iterativa). Isso alinha a distribuição de treinamento do estimador com o atrator real do sistema controlado.

Principais Resultados

• Discrepância Offline vs. Online: O estimador alcança uma precisão offline quase perfeita (correlação $\rho \approx 0,99$), mas falha catastroficamente em malha fechada. Sem intervenção, a correlação cai para zero dentro de 15–20 unidades de tempo viscoso, e a solução diverge.
• Mecanismo de Falha: A instabilidade é impulsionada por erros de alto número de onda. Embora esses erros sejam energeticamente insignificantes offline, eles são amplificados pelo loop de feedback não linear quando impostos como uma condição de contorno. Remédios padrão, como médias móveis exponenciais (EMA) ou filtragem passa-baixas, retardam a divergência, mas aceleram a perda de correlação, falhando em produzir um controlador funcional.
• Sucesso da Estabilização:
  • Aplicar a correspondência espectral isoladamente estabiliza o loop indefinidamente, mas produz apenas 14,6% de redução de arrasto (vs. 22,7% para o OC ideal) porque o estimador ainda opera em um descompasso de distribuição.
  • Retreinar o estimador nos dados gerados pelo fluxo controlado (processo iterativo) realinha as estatísticas do fluxo. Uma segunda iteração de retreinamento (retrain-2) produz um controlador estável com uma redução média de arrasto de 19,7%, aproximando-se do desempenho ideal do OC.
• Estrutura do Fluxo: O controlador de parede única duas vezes retreinado reproduz a estrutura da turbulência próxima à parede do controle de oposição ideal. Os perfis de velocidade média, a tensão de cisalhamento de Reynolds, as frações de eventos de quadrante (ejeções e varreduras) e os espectros de energia bidimensionais são quase indistinguíveis do caso OC ideal, diferindo apenas por uma leve atividade excessiva próxima à parede, consistente com a redução de arrasto marginalmente menor.

Significância e Alegações
O artigo afirma que a precisão offline é insuficiente para o controle de fluxo em malha fechada. O obstáculo primário não é a capacidade de reconstruir o fluxo offline, mas a consistência dinâmica dessa reconstrução quando o controlador modifica o fluxo.

Os autores identificam que a falha surge de um deslocamento de distribuição induzido pelo próprio controlador, especificamente na banda de alto número de onda onde as medições de parede carregam informação insuficiente. O estudo demonstra que o controle de oposição baseado apenas na parede, estável, é alcançável através de uma correção de duas partes:

1. Consistência Espectral: Restringir a atuação à banda espectral resolvida pelos sensores de parede evita a injeção de energia de alto número de onda desestabilizadora.
2. Retreinamento em Malha (In-Loop): Retreinar o estimador nos dados gerados pelo fluxo controlado garante que o estimador permaneça válido para o estado estatístico específico que ele cria.

O trabalho estabelece que um estimador supervisionado, treinado offline, pode servir como um substituto vivo para sensores se a estratégia de implantação considerar as limitações espectrais do sensoriamento de parede e se adaptar iterativamente ao atrator do fluxo controlado. A lacuna residual na redução de arrasto (aproximadamente 3 pontos percentuais) é atribuída ao limite fundamental de coerência parede-plano de detecção na banda de alto número de onda, uma restrição física e não uma falha de modelagem.