Interface-Aware Sparse Data Placement for Extended Physics-Informed Neural Networks Applied to Computational Fluid Dynamics and Fluid–Structure Interaction

Resumo Técnico: Posicionamento de Dados Esparsos Sensível à Interface para Redes Neurais Informadas pela Física Estendidas

Declaração do Problema
A reconstrução de campos de escoamento fluido a partir de medições esparsas (ex: PIV, imagem in-vivo) é um desafio persistente na mecânica dos fluidos aplicada. Embora as Redes Neurais Informadas pela Física (PINNs) e sua variante de decomposição de domínio, as Redes Neurais Informadas pela Física Estendidas (XPINNs), ofereçam uma estrutura livre de malha para resolver equações diferenciais parciais (PDEs), elas enfrentam limitações específicas quando aplicadas a cenários de dados esparsos. As PINNs padrão sofrem de viés espectral e problemas de convergência em geometrias complexas. As XPINNs abordam a escalabilidade ao decompor o domínio em subdomínios resolvidos por redes neurais independentes, acoplados via termos de penalidade suave nas interfaces. No entanto, os autores identificam um modo de falha crítico: o erro de reconstrução em XPINNs concentra-se desproporcionalmente nas interfaces dos subdomínios, em vez de nos recursos do escoamento, como camadas limite ou esteiras. Isso ocorre porque o acoplamento de penalidade suave permite que o otimizador satisfaça os resíduos das PDEs dentro dos subdomínios enquanto viola a continuidade nas fronteiras. Consequentemente, o padrão de erro reflete a geometria da decomposição em vez da física, criando um "elo fraco" onde a solução é menos restrita.

Metodologia: O Framework SPHINX
Para enfrentar isso, os autores propõem o SPHINX (Sparse Physics-Hybrid Informed Neural eXtension), uma estratégia de posicionamento de dados que aloca uma fração do orçamento de medições esparsas para regiões de sobreposição de subdomínios.

• Decomposição de Domínio: O estudo utiliza uma decomposição do tipo Schwarz com sobreposição (ao contrário da XPINN original sem sobreposição), criando regiões onde duas redes neurais são simultaneamente ativas.
• Mecanismo de Ancoragem Dupla: A hipótese central é que uma medição colocada em uma região de sobreposição $\Gamma_{ij}$ proporciona uma "ancoragem dupla". Como ambas as subredes $N_i$ e $N_j$ predizem valores no mesmo ponto, uma única medição simultaneamente restringe ambas as redes a corresponder ao valor de referência e força ambas a concordarem entre si. Isso fornece consistência entre subdomínios através de dados externos, em vez de depender apenas do termo de perda de penalidade suave.
• Estratégia de Alocação: Dado um orçamento total de $N$ pontos esparsos, o SPHINX aloca uma fração $f$ às regiões de sobreposição de interface e o restante $(1-f)$ uniformemente pelo domínio principal (bulk).
• Estudo de Sensibilidade: Uma varredura sistemática de $f$ de 0,0 a 0,5 em quatro benchmarks identificou $f=0,1$ (10% dos dados nas interfaces) como o ponto operacional ideal para a reconstrução da velocidade $u$.
• Implementação: O método não requer mudanças na arquitetura da rede, pesos da função de perda ou algoritmos de treinamento. É puramente uma estratégia de posicionamento de dados compatível com as estruturas de PINN existentes.

Casos de Teste e Configuração Experimental
O framework foi validado em quatro problemas de benchmark abrangendo números de Reynolds ($Re$) de 20 a 10.000 e geometrias variadas:

1. Escoamento estacionário em torno de um cilindro circular ($Re=40$).
2. Escoamento estacionário sobre um aerofólio NACA 0012 ($Re=1.000$, $\alpha=5^\circ$).
3. Escoamento estacionário sobre um aerofólio NACA 0012 ($Re=10.000$, $\alpha=5^\circ$).
4. Benchmark Turek–Hron FSI1 ($Re=20$), envolvendo um cilindro com uma viga elástica acoplada em um canal (tratado como um problema puramente de fluido com movimento estrutural prescrito).

Os experimentos utilizaram 200 pontos de dados esparsos (0,4% da malha de referência) e foram repetidos com três sementes aleatórias independentes para avaliar a variância estatística.

Resultos Principais

• Redução de Erro: O SPHINX reduziu o erro relativo de $L_2$ na velocidade $u$ de 86% a 95% em todos os quatro benchmarks comparado às XPINNs de base sem dados esparsos. Por exemplo, no NACA 0012 em $Re=1.000$, o erro caiu de 24,40% para 1,132%.
• Colapso de Variância: A introdução de dados esparsos sensíveis à interface colapsou a variância entre execuções em uma a duas ordens de magnitude. Os desvios padrão caíram de faixas de 0,22%–74,41% (base) para abaixo de 0,04% (SPHINX), indicando que os dados esparsos regularizam o processo de otimização e eliminam a sensibilidade à inicialização aleatória.
• Sensibilidade Variável: Embora $f=0,1$ tenha sido ideal para a velocidade $u$, a alocação ideal para a velocidade $v$ e pressão variou (frequentemente maior, ex: $f=0,5$ para a velocidade $v$ nos casos NACA), refletindo as diferentes restrições físicas que regem esses campos.
• Comparação com RBF: Quando comparado com a interpolação por Função de Base Radial (RBF) usando os mesmos pontos de dados, o SPHINX superou o RBF por fatores de 2,5 a 8,2 no erro da velocidade $u$. Isso confirma que os ganhos derivam do posicionamento geométrico acoplado ao mecanismo de ancoragem dupla, e não meramente da presença de dados adicionais.
• Coeficientes Aerodinâmicos: Apesar de ser um método de reconstrução de campo, o SPHINX recuperou coeficientes de arrasto e sustentação com precisão razoável (ex: coeficiente de arrasto com diferença absoluta de ~0,11), embora os erros tenham sido mais pronunciados para a sustentação em casos de alto $Re$ devido às limitações de viés espectral na resolução de gradientes de pressão de pequena escala.
• Custo Computacional: A estratégia introduziu apenas um overhead computacional de 8% em relação ao treinamento da XPINN de base, pois apenas adiciona a avaliação do termo de perda de dados em $N$ pontos por iteração.

Significância e Alegações
O artigo afirma estabelecer o posicionamento de sensores sensível à interface como um princípio cientificamente fundamentado e agnóstico à arquitetura para a reconstrução de escoamentos com dados esparsos. A principal contribuição é a identificação de que os erros de reconstrução de XPINN estão estruturalmente ligados à geometria da decomposição (interfaces) e não à física do escoamento. Ao concentrar medições onde o acoplamento de restrição suave é mais fraco, o SPHINX aproveita o efeito de "ancoragem dupla" para impor consistência entre as subredes.

Os autores enfatizam que esta abordagem transforma a assimilação de dados esparsos de um problema de amostragem uniforme para um problema estruturalmente guiado. Os achados sugerem que, para PINNs com decomposição de domínio, a própria geometria da decomposição prescreve onde as medições são mais informativas. A estratégia é apresentada como um refinamento de baixo custo e alto impacto que melhora significativamente a precisão e a estabilidade sem exigir mudanças arquiteturais complexas ou reponderação de funções de perda.

Limitações
Os autores observam algumas limitações:

• A razão de alocação ideal ($f=0,1$) é observada empiricamente, não derivada analiticamente.
• O estudo limitou-se a regimes laminares e de transição laminar-turbulento; escoamentos massivamente separados ou turbulentos não foram abordados.
• O benchmark de FSI tratou o movimento estrutural como prescrito; FSI não estacionário totalmente acoplado com fronteiras móveis permanece como trabalho futuro.
• Os dados esparsos foram extraídos de soluções de referência de CFD, não de medições experimentais com ruído ou restrições geométricas.