[论文解读] Discrete Geometric Structures in Homogenization and Inverse Homogenization with application to EIT

Mathieu Desbrun, Roger Donaldson+1 more|ArXiv.org|Apr 17, 2009

Numerical methods in inverse problems参考文献 55被引用 3

一句话总结

本文提出了一种几何框架，将电导率均质化重新表述为凸函数上的线性插值或散度为零的矩阵上的体积平均，通过加权Delaunay三角剖分实现稳健、最优的均质化。该方法应用于二维电气阻抗断层扫描（EIT），通过在凸函数空间中参数化解，实现了从边界数据出发的稳定、各向异性的电导率重建，达到了此前无法实现的细观微结构分辨率。

ABSTRACT

We introduce a new geometric approach for the homogenization and inverse homogenization of the divergence form elliptic operator with rough conductivity coefficients $σ(x)$ in dimension two. We show that conductivity coefficients are in one-to-one correspondence with divergence-free matrices and convex functions $s(x)$ over the domain $Ω$. Although homogenization is a non-linear and non-injective operator when applied directly to conductivity coefficients, homogenization becomes a linear interpolation operator over triangulations of $Ω$ when re-expressed using convex functions, and is a volume averaging operator when re-expressed with divergence-free matrices. Using optimal weighted Delaunay triangulations for linearly interpolating convex functions, we obtain an optimally robust homogenization algorithm for arbitrary rough coefficients. Next, we consider inverse homogenization and show how to decompose it into a linear ill-posed problem and a well-posed non-linear problem. We apply this new geometric approach to Electrical Impedance Tomography (EIT). It is known that the EIT problem admits at most one isotropic solution. If an isotropic solution exists, we show how to compute it from any conductivity having the same boundary Dirichlet-to-Neumann map. It is known that the EIT problem admits a unique (stable with respect to $G$-convergence) solution in the space of divergence-free matrices. As such we suggest that the space of convex functions is the natural space in which to parameterize solutions of the EIT problem.

研究动机与目标

• 开发一种用于具有粗糙电导率系数的椭圆算子均质化的几何框架，无需依赖小尺度参数。
• 通过将EIT中的不适定逆均质化问题分解为一个线性不适定问题与一个适定的非线性问题，解决该问题。
• 提供一种用于EIT的稳定、鲁棒的重建方法，通过在凸函数空间中参数化电导率，提升各向异性微结构的分辨率。
• 将Delaunay三角剖分的最优性扩展至加权、Q-自适应网格，用于离散凸函数插值。

提出的方法

• 通过与散度为零的矩阵Q及凸函数s(x)之间的一一对应关系参数化电导率σ(x)，将均质化重新表述为线性插值或体积平均。
• 使用最优加权Delaunay三角剖分插值凸函数s(x)，确保在最小化离散Dirichlet能量时具有全局最优性。
• 基于s^h_i构造离散Dirichlet-to-Neumann (DtN) 映射Λ_sh，采用三角形模板上的二次插值，包含用于边界稳定性的虚拟顶点。
• 通过优化求解逆EIT问题：最小化数据拟合误差与tr(Q^h)的总变差正则化项之和，约束条件为q^h_ij ≥ 0。
• 使用对偶-伴随方法计算数据拟合项的雅可比矩阵，以实现使用IpOpt进行高效优化。
• 将tr(Q^h)用作正则化项以保证计算可行性，Tikhonov参数α通过实验调优。

实验结果

研究问题

• RQ1 粗糙电导率系数的均质化能否在几何空间中重新表述为线性算子，从而避免非线性？
• RQ2 如何为离散凸函数插值构建最优网格，以确保均质化过程中的稳定性和准确性？
• RQ3 逆EIT问题能否被分解为一个适定的非线性问题与一个线性不适定问题，从而实现稳定重建？
• RQ4 通过凸函数参数化电导率是否比标准参数化方法更有效，能够更好地解析EIT中细观各向异性微结构？
• RQ5 该框架能否重建低于稳定分辨率极限的层状微结构的放大表示？

主要发现

• 当在凸函数s(x)空间中表达时，均质化成为线性插值算子；在散度为零矩阵Q空间中，则为体积平均算子。
• 基于凸函数的加权Delaunay三角剖分在最小化离散Dirichlet能量方面实现全局最优性，扩展了标准Delaunay三角剖分的性质。
• 该方法成功实现了EIT中各向异性电导率图案的重建，包括各向异性的方向与强度，通过Q的特征值差异可视化呈现。
• 对层状微结构（图2.2）的重建，在作者所知范围内达到了前所未有的细节水平，即使在亚分辨率周期下仍能捕捉到放大的各向异性特征。
• 使用tr(Q^h)进行正则化在计算效率上优于det(Q^h)，且不损失重建质量，经数值实验验证。
• 该方法避免了某些标准方法中对电导率动态范围的低估问题，且在散度为零矩阵空间中的G-收敛意义下保持稳定性。