Accurate estimation of velocity and acceleration, their statistics and position prediction in Lagrangian Particle Tracking

Resumo Técnico: Estimativa Precisa de Velocidade e Aceleração em Rastreamento de Partículas Lagrangiano

Definição do Problema
O Rastreamento de Partículas Lagrangiano (LPT) é uma ferramenta crítica para a compreensão de fluxos turbulentos, mas sua utilidade é frequentemente limitada pelo ruído de medição aleatório inerente aos dados de posição das partículas. Esse ruído degrada significativamente a precisão das grandezas derivadas, particularmente a velocidade e a aceleração, que requerem a diferenciação de sinais de posição. A diferenciação dupla amplifica o ruído de alta frequência, levando a estatísticas de aceleração imprecisas e resultados enviesados em regiões de forte inhomogeneidade, como a subcamada viscosa. Além disso, as técnicas de filtragem existentes frequentemente dependem de parâmetros globais que não conseguem se adaptar às condições locais do fluxo, criando um compromisso entre a supressão de ruído e a preservação de eventos de alta aceleração. Adicionalmente, a falta de dados de aceleração precisos dificulta a validação de modelos teóricos de turbulência (ex: relação de Heisenberg–Yaglom) e limita a eficácia de métodos de assimilação de dados como o FlowFit e Redes Neurais Informadas pela Física (PINNs).

Metodologia
O estudo propõe três abordagens complementares para mitigar o ruído de medição, validadas usando trajetórias de partículas geradas sinteticamente em um escoamento de canal próximo à parede turbulento (dados DNS em $Re_\tau = 1000$) e um conjunto de dados de esteira de cilindro.

1. TrackFit Local Adaptativo:
   Os autores introduzem uma extensão ao algoritmo convencional TrackFit, que representa as trajetórias das partículas usando B-splines cúbicas e aproxima um filtro de Wiener ótimo. Diferente das abordagens globais anteriores, este método ajusta adaptativamente os parâmetros de filtragem com base nas condições locais do fluxo.

   • Mecanismo: O algoritmo segmenta as trajetórias em sub-trajetórias (até 50 passos de tempo) e computa a velocidade e aceleração média absoluta para cada uma. Uma análise de Densidade Espectral de Amplitude (ASD) é realizada nesses bins para determinar uma frequência de corte local ($f_{cutoff}$) onde a relação sinal-ruído (SNR) é igual a unidade.
   • Implementação: Um campo contínuo de $f_{cutoff}$ é gerado via interpolação bilinear dos bins de velocidade-aceleração. Durante a filtragem, o parâmetro de regularização $w$ é atualizado para cada passo de tempo com base na velocidade e aceleração estimadas localmente, permitindo que o filtro responda às inhomogeneidades locais.
   • Predição: Este framework adaptativo também é aplicado ao preditor de Wiener usado em algoritmos Shake-The-Box (STB) para melhorar a predição das posições das partículas nos passos de tempo subsequentes.

2. Estratégias de Mesclagem de Trajetórias (Track Merging):
   Para abordar a redução de ruído em LPT de passo de tempo variável (ex: VT-STB), o estudo avalia métodos para combinar segmentos de trajetória estatisticamente independentes da mesma partícula obtidos de passagens de rastreamento temporalmente deslocadas.

   • Abordagens: Dois métodos são avaliados: Intercalação de Trajetórias (combinando sinais de posição ruidosos para recuperar a resolução temporal original) e Média de Trajetórias (interpolando trajetórias para um passo de tempo comum e realizando a média).
   • Princípio: A média de $N$ medições independentes reduz o desvio padrão do ruído não correlacionado por um fator de $\sqrt{N}$.

3. Correção Estatística de Ruído:
   Um framework é introduzido para separar o ruído de medição das estatísticas físicas sem depender de uma filtragem temporal agressiva, que pode subestimar momentos de segunda ordem.

   • Mecanismo: Usando propagação de erro Gaussiana, o estudo quantifica a contribuição da variância induzida pelo ruído para as estimativas de velocidade e aceleração com base no desvio padrão conhecido do ruído de posição ($\sigma_p$) e nos coeficientes de peso específicos do filtro de reconstrução.
   • Correção: A variância induzida pelo ruído é explicitamente subtraída dos momentos de segunda ordem medidos ($\sigma^2_{measured}$) para recuperar a variância física ($\sigma^2$). Isso permite o uso de filtragem mínima (ou nenhuma) para preservar a resolução temporal enquanto se corrigem os vieses estatísticos.

Principais Resultados

• Precisão Instantânea: A abordagem de TrackFit local adaptativo reduz significativamente o Erro Absoluto Médio (MAE) para velocidade e aceleração instantâneas, particularmente na região próxima à parede ($y^+ < 10$) onde os gradientes de fluxo são íngremes. Na subcamada viscosa, o TrackFit local reduziu os erros relativos de aceleração em até 80% comparado à filtragem global. Enquanto a filtragem global com uma frequência de corte menor ($SNR \approx 0.1$) apresentou bom desempenho em regiões homogêneas, a adaptação local proporcionou um desempenho superior em fluxos inhomogêneos.
• Predição de Posição: Em aplicações de STB, o preditor de Wiener local reduziu a razão de erro de predição (desvios > 2 pixels) em até 55% em fluxos de esteira de cilindro e 38% em fluxos de canal comparado à calibração global. Essa melhoria é crítica para evitar a terminação prematura da trajetória em regiões de alta aceleração.
• Momentos Estatísticos: O estudo demonstra que a filtragem agressiva leva a uma subestimação significativa da variância da aceleração devido ao truncamento de eventos intermitentes de alta amplitude. O método de subtração de ruído proposto, quando aplicado a esquemas de diferença central ou ao TrackFit com altas frequências de corte, produz estimativas precisas de momentos de segunda ordem. Para a aceleração, a contribuição do ruído foi considerada substancial, e sua remoção foi essencial para estatísticas confiáveis.
• Mesclagem de Trajetórias: A intercalação de trajetórias combinada com o filtro TrackFit local provou ser superior à média simples para reconstruções de alta fidelidade no caso de teste de fluxo de canal, uma vez que a média seguida de interpolação pode distorcer a ASD e invalidar as suposições do filtro.

Significância e Alegações
O artigo afirma que a estimativa precisa de velocidades e acelerações instantâneas de Lagrange exige filtragem de trajetória adaptativa que responda às condições locais do fluxo, enquanto momentos estatísticos confiáveis podem ser obtidos corrigindo explicitamente o ruído de medição em vez de depender de suavização agressiva.

• Para Dados Instantâneos: O TrackFit local adaptativo permite a estimação precisa de grandezas instantâneas em fluxos fortemente inhomogêneos (ex: subcamadas viscosas) onde a filtragem global introduz viés significativo. Isso é particularmente benéfico para análises avançadas que requerem o jerk (terceira derivada) e para melhorar os passos de predição em algoritmos STB, reduzendo as taxas de terminação de trajetória em regiões de alta aceleração.
• Para Dados Estatísticos: O framework de correção de ruído estatístico permite a estimativa robusta de estatísticas de velocidade e aceleração sem a necessidade de forte filtragem temporal. Isso preserva a resolução temporal necessária para resolver a dinâmica de pequena escala e evita a subestimação da variância causada pela filtragem de eventos intermitentes.
• Impacto Prático: Esses métodos facilitam uma reconstrução de fluxo mais precisa via assimilação de dados (ex: FlowFit, PINNs) ao fornecer dados de entrada melhor ponderados. Eles também oferecem um caminho para investigar discrepâncias entre previsões teóricas de turbulência e dados experimentais em relação à intermitência da aceleração, utilizando configurações experimentais comparativamente simples.

Os autores concluem que, embora os métodos apresentados mostrem grande potencial, é necessária uma investigação sistemática adicional sobre a interação entre a parametrização do preditor e as características específicas do fluxo para realizar plenamente seu potencial em cenários experimentais complexos.