Sensor placement study for estimation of Reynolds number in flow past a circular cylinder using an Inverse Physics-Informed Neural Network

Resumo Técnico: Estudo de Posicionamento de Sensores para Estimativa do Número de Reynolds em Escoamento sobre um Cilindro Circular

Definição do Problema
Determinar parâmetros de escoamento desconhecidos, como o número de Reynolds ($Re$), a partir de medições experimentais limitadas, é um desafio crítico na engenharia. Abordagens tradicionais frequentemente dependem de loops de otimização que incorporam solvers de Dinâmica de Fluidos Computacional (CFD), os quais exigem a resolução de problemas adjuntos para cada atualização de parâmetro. Esse processo é computacionalmente caro e requer solvers totalmente diferenciáveis. Embora as Redes Neurais Informadas pela Física (PINNs) ofereçam uma alternativa livre de malha ao tratar parâmetros desconhecidos como pesos treináveis, sua eficácia em recuperar parâmetros globais a partir de dados de sensores esparsos depende fortemente de onde esses sensores são posicionados. Este estudo aborda a lacuna na compreensão de como a localização dos sensores influencia a recuperação de um parâmetro global único ($Re$) usando uma I-PINN (PINN Inversa), especificamente para o escoamento sobre um cilindro circular.

Metodologia
O estudo emprega um framework de dois estágios utilizando um escoamento bidimensional, estacionário e incompressível a $Re = 40$ (um regime com esteira simétrica e estacionária e sem desprendimento de vórtices para garantir a estabilidade do treinamento).

1. Validação da PINN Direta: Uma PINN direta foi primeiro treinada para resolver as equações de Navier-Stokes para o campo de escoamento $(u, v, p)$. A arquitetura da rede consistiu em 8 camadas ocultas com 20 neurônios cada. O modelo foi validado contra dados experimentais clássicos (Apelt [22]) para coeficientes de pressão superficial ($C_p$), confirmando sua capacidade de reproduzir a física correta, incluindo bolhas de recirculação simétricas e pontos de estagnação.
2. Geração de Dados Sintéticos: A solução direta validada serviu como a verdade de campo (ground truth) para gerar dados sintéticos de sensores.
3. Formulação da I-PINN: Uma I-PINN foi desenvolvida para recuperar a viscosidade cinemática desconhecida ($\nu = 1/Re$) a partir de observações esparsas. O parâmetro foi introduzido como um escalar treinável, $\log(1/Re)$, para garantir atualizações de gradiente estáveis. A função de perda total combinou a perda de dados (Erro Quadrático Médio entre as previsões e as leituras esparsas dos sensores), resíduos da PDE e perdas de condição de contorno.
4. Estratégia de Otimização: O treinamento seguiu um cronograma de três fases:
   • Aquecimento (Warm-up): 1.000 épocas com $Re$ fixo em um palpite inicial ($Re_0 = 20$) para estabelecer um campo de escoamento razoável.
   • Treinamento Conjunto: 6.000 épocas usando otimizadores Adam para atualizar os pesos da rede e o $Re$ simultaneamente.
   • Refinamento (Fine-tuning): Até 2.000 iterações usando L-BFGS-B em um vetor achatado de todos os parâmetros.
5. Desenho Experimental: O estudo variou sistematicamente o posicionamento dos sensores em cinco zonas físicas distintas: Esteira Próxima (Z1), Esteira Intermediária (Z2), Esteira Distante (Z3), Região de Montante (Z4) e Camadas de Cisalhamento (Z5). Para cada zona, o número de sensores ($N$) foi testado de 10 a 50. O estudo foi repetido em três execuções independentes para avaliar a sensibilidade à inicialização e amostragem.

Contribuições Principais e Resultados

• A Localização do Sensor Domina a Contagem: O principal achado é que a localização do sensor é significativamente mais crítica do que a contagem de sensores. Aumentar o número de sensores ($N$) de 10 para 50 não reduziu monotonicamente o erro em nenhuma zona. Em alguns casos, o erro até aumentou com mais sensores.
• Classificação de Desempenho por Zona:
  • Zonas de Esteira (Z1, Z2, Z3): Estas zonas produziram as estimativas mais precisas. A Esteira Próxima (Z1) alcançou o menor erro (9,9% com $N=10$ na Execução 1), seguida pela Esteira Distante (Z3) e Esteira Intermediária (Z2). Os erros nessas zonas geralmente variaram entre 9,9% e 21,6%.
  • Camadas de Cisalhamento (Z5): O desempenho foi intermediário, com erros consistentemente entre 28,2% e 31,7%.
  • Zona de Montante (Z4): Esta zona foi consistentemente a menos eficaz, com erros variando de 46,3% a 62,3%. O escoamento aqui é quase uniforme, fornecendo pouca sensibilidade ao número de Reynolds.
• Mecanismo Físico (Fração Viscosa): O estudo identificou a "fração viscosa" ($F$), definida como a razão entre o termo viscoso e o termo convectivo na equação do momento, como o principal preditor da informatividade da zona.
  • Zonas com alto $F$ (regiões de esteira onde a difusão viscosa impulsiona a recuperação da esteira) correlacionaram-se fortemente com baixos erros de recuperação (Spearman $\rho = -0,80$).
  • Zonas com baixo $F$ (região de montante onde a convecção domina) resultaram em baixa recuperação.
  • A energia do gradiente ($G$) sozinha foi insuficiente para explicar a classificação, pois as camadas de cisalhamento possuíam altos gradientes, mas baixo $F$ e baixa recuperação.
• Sensibilidade ao Palpite Inicial: A recuperação de $Re$ é altamente sensível ao palpite inicial ($Re_0$). Começar com $Re_0 = 1$ (regime de Stokes) ou $Re_0 = 100$ fez com que o otimizador estagnasse ou divergisse, respectivamente. A recuperação bem-sucedida exigiu um palpite inicial dentro da mesma ordem de magnitude do valor real.
• Comportamento do Otimizador: Embora a fase L-BFGS-B tenha reduzido significativamente a perda total (em uma ordem de magnitude), ela teve efeito mínimo no valor de $Re$ recuperado. Isso sugere que o limite de precisão é determinado pelo conteúdo de informação dos dados dos sensores e pelo condicionamento do problema inverso, e não pela capacidade do algoritmo de otimização de descer o gradiente da função de perda.

Significância e Alegações
O artigo afirma que, para aplicações de I-PINN visando recuperar parâmetros globais de escoamento, o posicionamento dos sensores deve ser guiado pela sensibilidade física do campo de escoamento a esse parâmetro, especificamente a magnitude relativa dos termos viscosos no balanço de momento. O estudo demonstra que simplesmente aumentar a densidade de sensores é ineficaz se os sensores forem colocados em regiões onde o parâmetro de interesse (número de Reynolds) tem pouca influência na física local do escoamento.

Os autores concluem que, embora as I-PINNs possam recuperar $Re$ com precisão razoável (melhor caso de ~10% de erro), alcançar alta precisão absoluta (ex: <5%) permanece desafiador com a configuração atual. O trabalho fornece orientação prática: os sensores devem ser colocados em regiões onde o termo viscoso carrega uma parcela considerável do balanço de momento (ex: regiões de recirculação ou esteiras em recuperação), e um palpite inicial fisicamente informado é essencial para a convergência. O estudo não pretende resolver o problema inverso geral para todos os regimes de escoamento, mas estabelece uma linha de base para escoamentos laminares estacionários onde as PINNs são conhecidas por treinar de forma confiável.