ARTICULO

Presentamos un informe de última generación sobre topología de flujo dependiente del tiempo.
Examinamos artículos representativos en visualización y Proporcionar una taxonomía de enfoques
existentes que generalizan la topología de flujo desde entornos independientes del tiempo a
entornos dependientes del tiempo. Los enfoques se clasifican en cuatro categorías: seguimiento de
topología estable, adaptación del marco de referencia y línea de ruta. clasificación o agrupamiento,
y generalización de puntos críticos. Nuestras contribuciones únicas incluyen la introducción de un
conjunto de deseables propiedades matemáticas para interpretar el significado físico para la
visualización del flujo dependiente del tiempo, infiriendo matemáticas propiedades asociadas con
trabajos de investigación selectivos y utilización de dichas propiedades para la clasificación. Los
cinco más importantes Las propiedades identificadas en la literatura existente incluyen la
coincidencia con el caso estable, la inducción de una partición dentro del dominio, invariancia
lagrangiana, objetividad e invariancia galileana.

INTRODUCCION

La topología de campo vectorial ha tenido aplicaciones generalizadas. desde su introducción a la

visualización por Helman y Hesselink [HH89] hace más de 30 años. Para flujos constantes, es uno
de las herramientas más prometedoras para extraer información relevante de los datos. Se utiliza
desde dos perspectivas importantes, primero para comprimir los datos de una manera que
preserva la estructura con poca información pérdida, y en segundo lugar para reducir la oclusión
en la visualización. Una cantidad considerable de investigaciones se han centrado en la topología.
de campos vectoriales independientes del tiempo (estables) a través de la noción de esqueleto
topológico, que consta de puntos críticos y específicos. agilizaciones llamadas separa trices que
dividen el dominio en áreas de comportamiento de flujo uniforme. Si bien la topología de campo
vectorial funciona bien para campos vectoriales eléctricos y magnéticos, pierde significado físico
para flujos dependientes del tiempo (inestables). En particular, es difícil interpretar la topología del
flujo en el entorno dependiente del tiempo. Por otro lado, una instantánea de un campo vectorial y
las líneas de corriente que surgen de él no describen dependientes del tiempo. comportamiento.
Este es un problema que no es exclusivo de la topología de flujo.

Por ejemplo, Lugt [Lug79] encuentra un problema similar al intentar definir un vórtice. Una imagen
aerodinámica instantánea no proporciona suficiente información para identificar un vórtice y, por
lo tanto, no se puede utilizar para definir un vórtice. De manera similar, Perry y Chong [PC94a]
describen que es difícil

interpretar la topología del campo vectorial en flujos inestables. En el estudio de la topología de los
patrones de flujo y los movimientos de remolinos, las líneas de corriente instantáneas han
encontrado un uso considerable, aunque no son invariantes galileanas y parecen perder significado
físico si el flujo es inestable. Debido a la aplicabilidad limitada de la topología de campo vectorial,
el
estudio de la topología de flujo dependiente del tiempo sigue siendo heterogéneo y fragmentario.
Este tema también está integrado en el contexto más amplio de los sistemas dinámicos, en
particular con fines de visualización. Aunque se han desarrollado algunas técnicas maduras y
metodologías sistemáticas para el estudio de la topología de flujo dependiente del tiempo,
esperamos imponer estructuras matemáticas a las técnicas existentes para facilitar su acceso a
investigadores y profesionales.

Contribuciones. En este artículo, examinamos y organizamos la literatura dispersa sobre topología

de flujo dependiente del tiempo, analizamos resultados recientes e identificamos lagunas en la
investigación.

Nuestra intención es ayudar tanto a principiantes como a expertos a navegar en el campo de la

visualización de flujo en un entorno que depende del tiempo. En particular, nuestro trabajo está
motivado por las siguientes dos preguntas esenciales para la topología de flujo dependiente del
tiempo:

• ¿Cómo se puede generalizar la topología de campo vectorial independiente del tiempo a la

configuración dependiente del tiempo en un físicamente significativo ¿forma?

• ¿Cómo puede la noción de significado físico ¿Se debe caracterizar rigurosamente la visualización
del flujo? Para abordar estas cuestiones, nuestras aportaciones son:

• Proporcionamos un estudio y una clasificación de los enfoques utilizados para generalizar la

topología de campo vectorial desde configuraciones independientes del tiempo a configuraciones
dependientes del tiempo, basadas en cuatro categorías: seguimiento de topología estable,
adaptación del marco de referencia, clasificación o agrupamiento de líneas de ruta y generalización
de parámetros críticos. puntos.

• Recopilamos propiedades matemáticas deseables para interpretar la noción de significado físico

para visualización de flujo dependiente del tiempo, a saber: coincidencia con la topología estable,
inducción de una partición, invariancia lagrangiana, objetividad e invariancia galileana.

• Analizamos e inferimos propiedades matemáticas asociadas con enfoques seleccionados, lo que

facilita la identificación de desafíos y oportunidades actuales.

En general, proporcionamos una clasificación organizada de la literatura sobre topología de flujo

dependiente del tiempo. Como la mayoría de los trabajos abordan el caso 2D, le damos
proporcionalmente más atención. Es cierto que no existe una definición única, general y
universalmente aceptada para la noción de "significado físico". Al hablar con físicos, hemos
aprendido que el significado de esta noción cambia de un problema a otro en el sentido de que "si
un método responde a mi pregunta, entonces es físicamente significativo". Intentaremos delimitar
lo que significa esta noción recopilando conceptos matemáticos que se utilizan en la literatura en
el sentido de que "este método no es físicamente significativo porque no satisface un conjunto
particular de propiedades matemáticas". Sin embargo, es importante tener en cuenta que las
propiedades que recopilamos no son exhaustivas y no definir sino más bien interpretar significado
físico.
Nuestras aportaciones se resumen en Tablas1-4. Cada tabla contiene los trabajos relacionados que
pertenecen a una de las cuatro categorías de enfoques. Las columnas corresponden a las cinco
propiedades deseables. Cada celda de la tabla está codificada por colores para indicar si un
método satisface una propiedad particular y contiene una referencia para un ejemplo o teorema
más detallado.
Encuestas relacionadas. Las técnicas basadas en topología han recibido considerable atención por
parte de los autores de encuestas en los últimos años. Las encuestas de Larameeet al.[LHZP07] y
Wanget al.[WWL16] ambos contienen discusiones sobre flujos inestables en términos de
extracción de topología. Además, Pobitzeret al.[FPP∗ 11a] y Heineet al.[HLH∗ 16a] proporcionan
clasificaciones de topología de campo vectorial dependiente del tiempo. Larameeet al.[LCJK∗ 09]
también brindan una descripción general de la aplicación de la topología de flujo en ciencia e
ingeniería.
Nuestro enfoque difiere fundamentalmente de estos esfuerzos anteriores. Además de clasificar las
técnicas disponibles, organizamos trabajos relevantes según los problemas que intentan abordar y
recopilamos propiedades matemáticas que engloban la noción de significado físico. En En muchos
escenarios prácticos, la noción de significado físico es específica del problema y está impulsada por
la aplicación; Aquí recopilamos y aplicamos definiciones matemáticamente rigurosas que son
deseables con respecto a dicha noción. Nuestra contribución principal y la diferencia más
importante con respecto a estudios anteriores es que incorporamos todos los enfoques relevantes
de la literatura en un marco matemático que codifica las propiedades deseables de significado
físico. Para una técnica estudiada, si no se dispone fácilmente de una descripción relativa a una
propiedad particular de interés, inferimos dicha propiedad sobre la base del razonamiento
matemático. Posteriormente, podemos identificar claramente brechas, desafíos y oportunidades
en la investigación actual, que complementan los informes de vanguardia existentes en
visualización de campos vectoriales. Excluimos explícitamente las discusiones sobre estructuras
coherentes
lagrangianas y detección de características en campos de flujo (como vórtices), ya que estos temas
pertenecen a grandes campos de estudio que han sido estudiados recientemente, ver [HFB∗
17,PVH∗ 03,GT18]. Describir. Este artículo está organizado de la siguiente forma:
Segundo.2describe nuestro procedimiento de encuesta y pautas de clasificación. Segundo.3Revisa
brevemente los fundamentos técnicos de la topología de flujo. Segundo.4detalla la clasificación de
los enfoques actuales que involucran topología de flujo dependiente del tiempo; y sec.5describe
las características del flujo relevantes para los datos dependientes del tiempo y demuestra sus
propiedades matemáticas asociadas. Segundo.6revisa artículos relevantes sobre topología de flujo
dependiente del tiempo más allá de la visualización, como dinámica de fluidos y sistemas
dinámicos. Segundo.7ofrece una discusión sobre las direcciones de investigación emergentes.
Segundo. concluye el artículo.

2. Procedimiento y clasificación de la investigación de la literatura

Revisamos artículos representativos en el campo de la visualización que contienen métodos que
generalizan (o pueden extenderse para generalizar) la topología de campos vectoriales desde
configuraciones independientes del tiempo a configuraciones dependientes del tiempo. La
anotación de cada artículo se guía principalmente por un conjunto de cuatro categorías que
clasifican enfoques comunes (relacionados con encuestas existentes [FPP∗ 11a,HLH∗ 16a]), ver
sec.2.1.1ª la sec.2.1.4; y en segundo lugar por un conjunto de cinco deseables propiedades que
son matemáticamente definibles (no tratados en trabajos anteriores), que abarcan la Sec.2.2.1a la
sec.2.2.5.

2.1. Clasificación basada en el enfoque

Nuestra revisión exhaustiva de la literatura nos permite identificar cuatro categorías principales de
enfoques de topología de flujo dependiente del tiempo, según las cuales clasificamos la literatura.
Algunos artículos encajan en más de una categoría, ya que son métodos híbridos o sugieren varios
enfoques. Se enumerarán varias veces aquí, pero se tratarán en detalle sólo una vez en la
sección.4. Definimos un "enfoque" como el principio fundamental en el que se basa un método.
Las cuatro categorías que elegimos han demostrado ser útiles en la literatura existente, y los
artículos de investigación que caen en cada categoría realizan tareas de análisis similares o
comparten fundamentos matemáticos similares.
2.1.1. Seguimiento de topología estable
El enfoque sencillo para extender la topología de flujo al caso inestable aplica la topología de
campo vectorial clásica (estable) a paso de tiempo. Recopilamos métodos en esta categoría si
realizan seguimiento de características en la configuración dependiente del tiempo donde las
características provienen de una topología de campo vectorial independiente del tiempo; consulte
la Sec.4.1.
2.1.2. Adaptación del marco de referencia
Otro enfoque popular utiliza características derivadas del flujo, generalmente campos escalares
invariantes galileanos, y hace uso de puntos estructural o topológicamente significativos, como
ceros o extremos, en estos campos escalares Decimos que un enfoque generaliza la definición de
un punto crítico desde la configuración independiente del tiempo si utiliza características de flujo
distintas de los ceros de la velocidad. Las técnicas de esta categoría pueden hacer uso de la
topología de campo escalar para derivar segmentaciones y simplificaciones, adaptaciones del
marco de referencia para visualizaciones relacionadas con las clásicas, o suavizado lagrangiano
para resaltar el comportamiento lagrangiano, ver Sec.4.4.
2.2. Clasificación basada en propiedades deseables
Examinamos los trabajos de investigación existentes no solo por cómo generalizan la topología de
flujo desde campos independientes del tiempo a campos dependientes del tiempo, sino también
por qué propiedades matemáticas poseen o implican estos trabajos. Ciertos métodos disfrutan de
un subconjunto de las siguientes cinco propiedades matemáticas, que han sido identificadas como
importantes para establecer el significado físico. Elegimos estas propiedades porque son los más
populares sugeridos en la literatura existente. Estas propiedades han sido motivadas en lugares
dispersos, mientras que nuestro artículo especifica e investiga sistemáticamente estas propiedades
y sus relaciones con conceptos matemáticos relevantes.
2.2.1. Coincidencia con la topología de flujo estacionario
Dando un paso atrás, el objetivo general es encontrar métodos que puedan dar respuestas
comparables para el flujo inestable a la topología de campo vectorial (VFT) para el flujo estable...
Nuestra búsqueda bibliográfica no encontró muchas declaraciones explícitas sobre la propiedad
deseable de que un método coincida con la topología de campo vectorial estable, excepto unas
pocas Quizás este sea un requisito básico que los autores anteriores no sintieron la necesidad de
establecer explícitamente.
Nuestra búsqueda bibliográfica no encontró muchas declaraciones explícitas de la propiedad
deseable de que un método coincida con la topología de campo vectorial estable, excepto unas
pocas Quizás este sea un requisito básico que los autores anteriores no sintieron la necesidad de
establecer explícitamente.

Suponiendo que la entrada a un método es un campo de flujo estacionario, es decir, que no

cambia con el tiempo, entonces las características extraídas por este método son idénticas a los
puntos críticos y separatrices del régimen estacionario. Matemáticamente hablando, sea $v: \
mathbb{R}^d \rightarrow \mathbb{R}^d$ un campo de flujo estacionario y sea $F(\cdot)$ un
operador que extrae una topología independiente del tiempo. Supongamos que tenemos un
campo de flujo inestable $v_t: \mathbb{R}^d \times \mathbb{R} \rightarrow \mathbb{R}^d$ que
está definido en el espacio y el tiempo, pero que no cambia con el tiempo, es decir , existe un
campo estacionario $v: \mathbb{R}^d \rightarrow \mathbb{R}^d$ tal que $\forall t \in \mathbb{R}:
v_t(x, t)=$ $v (x)$. Sea $F_t(\cdot)$ un operador que extrae la topología dependiente del tiempo.
Entonces, para un método diseñado para extraer características de un campo inestable, nos
gustaría que su salida coincidiera con la topología de flujo estacionario cuando se aplica a $v_t$, es
decir, $F_t\left(v_t(x, t)\right )=F(v(x))$ para $(x, t) \in$ $\mathbb{R}^d \times \mathbb{R}$.

2.2.2. Inducción de una Partición del Dominio

Una de las propiedades más importantes de la topología de campo vectorial estable es que implica
una partición del dominio en áreas de comportamiento de flujo coherente. Esta partición inducida
también es una propiedad deseable para sus generalizaciones en un entorno inestable.
Decimos que un método induce una partición del dominio en el entorno dependiente del tiempo si
tiene un concepto de separatrices generalizadas que segmentan el dominio del espacio y el tiempo
en subconjuntos $S_i \subset \mathbb{R}^d \times \mathbb {R}$. El conjunto $\left\{S_i\right\}$
forma una partición si $\forall i \neq j: S_i \cap S_j=\emptyset$ y $\bigcup_i S_i=\mathbb{R}^d \
times \mathbb {R}$. Requerimos explícitamente que la partición no sea generalmente trivial para
tiempos finitos, es decir, $S_i \neq \mathbb{R}^d \times \mathbb{R}$. La diferencia se ilustra en la
Fig. 6.
2.2.3. Invariancia lagrangiana
Por lo tanto, podemos exigir que los límites de un esqueleto topológico dependiente del tiempo
sean superficies materiales y que los puntos críticos inestables sean partículas fluidas.
Las líneas de trayectoria describen los caminos de las partículas fluidas. Es un criterio popular para
la significación física exigir que las características extraídas sean invariantes lagrangianas.
Un método es invariante lagrangiano si las características que extrae se mueven a lo largo del
tiempo como si fueran advertidas por el flujo. Explícitamente, sea $S(t): \mathbb{R} \rightarrow \
mathbb{R}^d$ una característica extraída a lo largo del tiempo y $F_{t_0}^t\left(x_0\right)$ : $\
mathbb {R} \times \mathbb{R} \times \mathbb{R}^d \rightarrow \mathbb{R}^d$ el mapa de flujo
(Sección 5.1.6) que indica dónde se encuentra una partícula sin masa comenzando en el tiempo
$t_0$ en la ubicación $x_0$ se mueve hasta el momento $t$. Entonces, $S(t)$ es invariante
lagrangiano si $\forall t: F_{t_0}^t\left(S\left(t_0\right)\right) \subseteq S(t)$. Para características
de línea, esto es equivalente a que la línea extraída sea tangencial al flujo $\forall t \in \mathbb{R}:
\dot{S}(t) \times v(S(t), t)=0$

2.2.4. Objetividad
La invariancia del marco es particularmente importante en flujos verdaderamente inestables, que
no tienen un marco de referencia distinguido.
Una de las propiedades más populares utilizadas en la periódicas y separatrices. literatura para
indicar que un concepto tiene significado físico es la objetividad Un método es objetivo si las
características extraídas no cambian bajo un cambio euclidiano del marco de referencia.
Precisamente, sea $\chi_{S(t)}(x, t): \mathbb{R}^d \times \mathbb{R} \rightarrow\{0,1\}$ la
función característica que indica si un punto en el espacio-tiempo pertenece a una característica
extraída a lo largo del tiempo $(x, t) \in S(t)$. Además, sea $x^{\prime}=Q(t) x+r(t) \in \
mathbb{R}^d$ un cambio de coordenadas con una matriz ortogonal dependiente del tiempo $Q: \
mathbb{R } \rightarrow S O(d)$ y un vector $r dependiente del tiempo: \mathbb{R} \rightarrow \
mathbb{R}^d$. Entonces, la característica es objetiva si $\chi_{S(t)}^{\prime}\left(x^{\prime}, t\
right)=\chi_{S(t)}(x, t)$ , ver sec. 5.1.

2.2.5. Invariancia galileana

Sólo cuando se puede encontrar un marco de referencia galileano que proporcione un campo de
velocidad casi estable, tendremos un patrón de velocidad con algún significado físico útil.
La invariancia galileana es un caso especial de objetividad, donde las características extraídas no
cambian bajo un cambio galileano del marco de referencia. A menudo se utiliza como un requisito
mínimo para garantizar que algo tenga un significado físico.
Un concepto es invariante galileano si dos observadores en sistemas de referencia en movimiento
con velocidad relativamente constante entre sí observan un fenómeno de la misma manera.
Matemáticamente, este es un caso especial de objetividad donde la rotación es una constante $Q \
in S O(d)$ y la traslación es lineal $\dot{r}=$ const $\in \mathbb{R}^d$ in la transformación $x^{\
prime}=Q x+r(t)$, ver Sec. 5.1.
3. Fundamentos técnicos de la topología de c ampos vectoriales
Los campos vectoriales se utilizan para modelar fenómenos físicos de interés en muchos campos
científicos. El campo de la dinámica de fluidos, en particular, da lugar a campos de flujo grandes y
complejos. Iniciado por Helman y Hesselink [HH89], la topología de campos vectoriales se ha
convertido en una parte integral del análisis y visualización de campos de flujo. Sin embargo, dado
que la topología de campo vectorial considera sólo el comportamiento de las líneas de corriente,
es especialmente apropiada para capturar estructuras en campos de flujo estacionario. En esta
sección, revisamos brevemente los ingredientes principales de la topología de campo vectorial
estable. Después de introducir características topológicas para campos vectoriales 2D y 3D,
brindamos una perspectiva generalizada de los sistemas dinámicos.
3.1. Topología de campo vectorial 2D
Un campo vectorial 2 D $v: D \subseteq \mathbb{R}^2 \rightarrow \mathbb{R}^2$ asigna un
vector $2 \mathrm{D}$ a cada punto en el dominio $D$, donde $ Se supone que v$ es continuo y
diferenciable. En condiciones estables, $v$ se puede expresar como
$$
v(x, y)=\left(\begin{array}{l}
v_1(x,y) \\
v_2(x,y)
\end{array}\right).
$$
La topología del campo vectorial $2 \mathrm{D}$ consta de puntos críticos, órbitas periódicas y
separatrices.

Un punto crítico $x \in D$ es un cero aislado en el campo vectorial, es decir, $v(x)=(0,0)^T=\

mathbf{0}$, y $v(y) \neq 0$ para cualquier $y \neq x$ en un pequeño vecindario de $x$. Los
puntos críticos se pueden clasificar con respecto a sus índices de Poincaré. El índice de Poincaré de
un punto crítico $x$ cuenta las rotaciones positivas del campo mientras viaja a lo largo de una
curva cerrada simple que contiene $x$ en una dirección positiva. En 2D, los puntos críticos como
fuentes, sumideros y centros tienen índices +1, mientras que sillas de montar tener índices − 1.
Categorías de puntos críticos clásicos basados en los valores propios del jacobiano. De izquierda a
derecha: fuente y sumidero en espiral (también conocidos como focos de atracción/repulsión),
fuente y sumidero de nodos (también conocidos como nodos de atracción/repulsión), centro y silla
de montar. Los flujos se visualizan mediante glifos de flecha y convolución integral de línea (LIC)
[CL93]; El color representa la velocidad desde valores bajos (azul) a altos (rojo). Imagen
reproducida de Bujack et al. [BHJ16].

Una clasificación alternativa de puntos críticos se basa en los valores propios de la matriz jacobiana
$J_v$ que contiene las primeras derivadas del campo vectorial.
$$
J_v(x, y)=\left(\frac{\partial v}{\partial x}, \frac{\partial v}{\partial y},\right)=\left(\begin{array}{ll }
\frac{\partial v_1(x, y)}{\partial x} & \frac{\partial v_1(x, y)}{\partial y} \\
\frac{\partial v_2(x, y)}{\partial x} & \frac{\partial v_2(x, y)}{\partial y}
\end{matriz}\derecha)
$$
El determinante de $J_v$ se llama jacobiano del campo vectorial. Un punto crítico $x$ es un punto
crítico de primer orden si el jacobiano no desaparece en $x$; de lo contrario, se denomina punto
crítico de orden superior. La clasificación de los puntos críticos podría refinarse aún más en función
de los valores propios de $J_v$ para incluir nodos/focos atractivos y nodos/focos repelentes,
centros y sillas de montar, ver Fig. 1 y [HH89, Fig. 5].
Una línea de corriente es una línea que es tangencial a la dirección de la velocidad instantánea, ver
Fig. 2. Matemáticamente, una línea de corriente $s(t)$ .

Topología de un campo vectorial simple. El área amarilla es una región donde todas las líneas de
corriente comienzan en la misma fuente y terminan en el mismo sumidero. Las líneas de corriente
marrones son separatrices.
curva en el dominio de $v$, donde para cualquier $t$,
$$
\dot{s}(t)=v(s(t)) .
$$
Aquí, $t$ no es el tiempo, sino que se refiere a una parametrización arbitraria de la curva. Las
órbitas cerradas son líneas de corriente cerradas, lo que significa que hay un parámetro $\tau$ tal
que $s(t)=s(t+\tau), \forall t \in \mathbb{R}$.

Las separatrices son las líneas de corriente delimitadoras que separan las regiones de
comportamiento de línea de corriente uniforme. Suponiendo sólo puntos críticos de primer orden,
emergen de los puntos silla a lo largo de las direcciones de los vectores propios del jacobiano.
Finalmente, la topología de campo vectorial consta de puntos críticos y separatrices que
segmentan el dominio en regiones de comportamiento aerodinámico uniforme, ver Fig. 2.
3.2. Topología de campo vectorial 3D
Un campo vectorial $3 \mathrm{D}$ $v: D \subseteq \mathbb{R}^3 \rightarrow \mathbb{R}^3$
asigna un vector $3 \mathrm{D}$ a cada punto en el dominio $ D$, donde se supone que $v$ es
continuo y diferenciable. La topología de campo vectorial 3D consta de características críticas y
características de separación. Las características críticas son puntos críticos, órbitas periódicas y
estructuras 2D complejas, como atractores extraños. Las separatrices se convierten en superficies
separadoras que emergen de la silla. compárese con la Fig.3.

Ejemplos de puntos críticos en campos vectoriales lineales 3D. En 3D, las superficies de separación
emergen de los puntos de silla (c,d). Los puntos críticos se definen de manera similar al caso 2D
como ceros aislados en el campo vectorial, es decir, $v(x)=(0,0,0)^T=\mathbf{0}$, y $v(y) \ neq \
mathbf{0}$ para cualquier $y \neq x$ en una pequeña vecindad de $x$. Los puntos críticos
comúnmente se clasifican en función de los valores propios de la matriz jacobiana $J_v$. Un punto
crítico $x$ es un punto crítico de primer orden si el jacobiano no desaparece en $x$; de lo
contrario, se denomina punto crítico de orden superior. Los puntos críticos de primer orden
incluyen la atracción de nodos/espiral fuente y sumidero, y sillas de montar, ver Fig. 3.
3.3. Desde las perspectivas de los sistemas dinámicos
Los principales ingredientes de la topología de campo vectorial se han estudiado en sistemas
dinámicos, a saber, conjuntos de límites ,lineas separadoras, y superficies separadoras $\gamma: D
\subseteq \mathrm{n}^d \rightarrow \mathrm{n}^d $ denota un campo vectorial d-dimensional
Sea $c_p$ denota una línea de corriente que pasa por un punto $p \in D$ En esta forma más
general, los conjuntos de límites de una línea de corriente, denominados como denominados Sillín
Hundir Fuente como conjunto de límite α y conjunto de límite ω, se definen como
$$
\begin{alineado}
& A\left(c_p\right)=\left\{q \in D \exists\left(g_n\right)_{n=0}^{\infty} \subset \mathbb{R} \text
{ con } \lim _{n \rightarrow \infty} t_R=-\infty\right. \\
& \text { anclar eso } \left.\lim _{\mathrm{s} \rightarrow \infty} c_p(2 \mathrm{n})=q\right\} \\
& \Omega\left(c_p\right)=\left\{q \in D \exists\left(a_n\right)_{n=0}^{\infty} \subset \mathbf{R} \
text { wih } \lim _{n \rightarrow \infty} i_n=\infty\right. \\
& \text { ach that: } \lim _{g \rightarrow \infty} c_p(2 \mathrm{e})-q \text { \} } \\
&
\end{alineado}
$$
La forma explícita de los conjuntos de límites varía según la dimensión del campo vectorial. Estos
conjuntos se investigan mejor para el caso 2D, donde los conjuntos de límites consisten en puntos
críticos; que se clasifican según el comportamiento aerodinámico en sus proximidades (ver
Segundo.3.1). Las líneas de corriente se consideran equivalentes si sus conjuntos de límites
coinciden, lo que significa que una línea de corriente tiene el mismo conjunto de origen (conjunto
de límites α) y el mismo conjunto final (conjunto de límites ω). En 2D, las líneas de corriente que
están en el límite de líneas de corriente equivalentes son las líneas separadoras; en 3D, se
convierten superficies separadoras; en dimensiones superiores, son colectores separadores. Por lo
tanto, el esqueleto topológico consta de conjuntos de límites y variedades de separación de
grandes dimensiones.

La contribución central de este trabajo es la clasificación de los trabajos

existentes, que se resumen en las Tablas1–4. Cada tabla contiene los artículos
que pertenecen principalmente a uno de los cuatro enfoques (ver Sec.2.1). Con
base en los conceptos matemáticos subyacentes de cada artículo, cada fila
contiene nuestra inferencia de sus propiedades matemáticas. Para cada celda (i; j), verde significa
que el papel en la fila satisface la propiedad en la columna j, rojo significa que no satisface la
propiedad; verde azulado significa
que principalmente satisface la propiedad; y morado significa que en su mayoría no lo hace
satisface la propiedad, ver Fig.4. El texto de cada celda proporciona un breve esbozo del
razonamiento matemático detrás de nuestra decisión o una referencia a un contraejemplo o un
teorema de la sección.5.
un ejemplo cortesano o a un teorema de la sección 5.
\begin{tabular}{l|l|l|}
Yox & Mosthyes Mouty núm. & No. \\
\hline
\end{tabular}
Figura 4:Leyenda de tablas1–4. Los colores indican si un método satisface o no una propiedad
matemática.
La mejor manera de explorar nuestra clasificación es utilizar cada tabla como una hoja de ruta, que
conduce a ejemplos y teoremas específicos en la sección.5. En otras palabras, las mesas sirven
como descripción general, mientras que los ejemplos y teoremas son detalles bajo
demanda[shn03]. Descargo de responsabilidad. Para cada artículo analizado, utilizamos nuestro
mejor criterio para inferir propiedades matemáticas asociadas con las técnicas propuestas. Nuestra
inferencia se basa en las formulaciones técnicas de cada artículo y, a veces, en su código (si está
disponible). Sin embargo, no pretendemos haber captado perfectamente las intenciones de los
autores.

Resumimos las propiedades de diferentes métodos en Tablas.1– 4 conectándolos con los

conceptos matemáticos sobre los cuales se basan principalmente. No implementamos los
algoritmos de los artículos encuestados. Las pruebas y contraejemplos que proporcionamos están
diseñados para conceptos matemáticos, no para métodos específicos. Las pruebas aportadas en
cada celda no siempre son rigurosas; a veces son esbozos de las ideas subyacentes utilizando
ejemplos sencillos, por ejemplo, un campo vectorial en 1D. Es importante tener en cuenta también
que los diferentes métodos requieren diferentes propiedades de los datos subyacentes, como la
suavidad o la linealidad por partes, que no tratamos explícitamente para mantener la presentación
concisa.
4.1. Seguimiento de topología estable
Dado el éxito de la topología de campo vectorial en el caso estable, realizar un seguimiento de las
características topológicas a lo largo del tiempo en el caso inestable. El objetivo es asociar
correctamente características de un paso de tiempo al siguiente, así como detectar y representar
eventos que cambian la topología, como fusiones, divisiones, nacimientos y muertes de puntos
críticos. Helman y Hesselink [HH89,HH90] proporcionan un algoritmo de
seguimiento a lo largo del tiempo. Calculan las singularidades (puntos críticos) para pasos de
tiempo separados y las conectan gráficamente en función de la proximidad y la conectividad de la
región. Wischgollet al.[WSH01] describen un algoritmo para rastrear líneas de corriente cerradas
en flujos planos dependientes del tiempo. Basado en un algoritmo anterior [WS01] que utiliza el
teorema de Poincaré-Bendixson, su esquema de seguimiento supone una interpolación lineal entre
dos pasos de tiempo y detecta bifurcaciones. Tricocheet al. [TSH01,TWSH02] proporcionan un
algoritmo de seguimiento preciso, asumiendo una interpolación lineal entre pasos de tiempo. La
interpolación lineal en su cuadrícula espacio-temporal garantiza la existencia de un punto crítico en
cada celda. Por tanto, basta con analizar las caras de las celdas para detectar cambios en la
topología a lo largo del tiempo. Dentro de cada celda, emplean caminos analíticos entre
singularidades.
Theisel y Seidel [TS03] derivan campos de flujo de características (FFF) que reformulan el
seguimiento de puntos críticos en un campo vectorial 2D como un problema de integración en un
campo 3D. Muestran que su técnica se puede utilizar para rastrear otras características topológicas
y vórtices. Vinoteca et al.[WTVGP11] mejorar el FFF y presentar formulaciones de FFF más estables
para el seguimiento de puntos críticos. Reininghauset al.[RKWH12] proponen una versión
combinatoria de este concepto.
Theiselet al.[TWHS04,TWHS05] siguen dos enfoques para la generalización de la topología a
campos vectoriales inestables. En su método basado en líneas de flujo, rastrean la topología de
cada paso de tiempo interpretado como flujo estable, ver Fig.5.

garthet al.[GTS04] proporcionan un algoritmo de seguimiento de singularidad para campos

vectoriales 3D dependientes del tiempo. De manera análoga a [TSH01], utilizan campos lineales
por partes para garantizar que los cambios topológicos solo puedan ocurrir en los límites de las
celdas. También utilizan el eje principal de toda singularidad para reducir el desorden visual y un
diagrama en el tiempo para capturar la evolución de la topología subyacente.

Skraba y Wang [SW14] infieren correspondencias entre puntos críticos en función de su cercanía
en estabilidad, medida por robustez, en lugar de solo proximidades de distancia dentro del
dominio. Intuitivamente, la robustez de un punto crítico es la cantidad mínima de perturbación
necesaria para cancelarlo. Demuestran formalmente que la robustez nos ayuda a comprender las
condiciones de muestreo bajo las cuales podemos resolver el problema de correspondencia
basado en técnicas de superposición de regiones, y la unicidad e incertidumbre asociadas con
Ejemplos de topología de campo vectorial basada en líneas de flujo y líneas de ruta. tales técnicas.
Estas condiciones también proporcionan una base teórica para visualizar las realizaciones lineales
por partes de trayectorias de puntos críticos a lo largo del tiempo. Todos los métodos anteriores
comparten un objetivo similar en términos de seguimiento de características, lo que induce
propiedades matemáticas idénticas. Estas propiedades matemáticas se resumen en la tabla1. Los
métodos estudiados coinciden trivialmente con el caso estacionario y segmentan el dominio del
flujo; sin embargo, no son invariantes lagrangianos ni galileanos y, por tanto, no son objetivos.
Mesa1destaca las deficiencias de la topología de campo vectorial estable, que algunos autores
denominan “no física”.

4.2. Adaptación del marco de referencia

 La mayoría de los métodos que adaptan el marco de referencia (FOR) no se dirigen
específicamente a la topología de flujo, pero proporcionan campos vectoriales derivados, que
pueden visualizarse o procesarse. Para esta encuesta, analizamos estos métodos suponiendo que
aplicamos la topología clásica de campo de vector estable a los campos derivados. Tenga en cuenta
que la mayoría de los métodos de esta sección en realidad no sugieren una transformación de
coordenadas conservadora de la forma x´ = Q(t)x+r(t). Lo que todos tienen en común con una
adaptación FOR clásica es que intentan compensar o restar la influencia de un posible movimiento
subyacente común de regiones en el flujo.
Wiebelet al.[WGS02] sugieren una segmentación del campo de flujo en una parte de potencial,
divergencia y rotación, utilizando la descomposición de Helmholtz Hodge (HHD). La parte potencial
es idéntica al flujo en el límite y, por lo tanto, se correlaciona con la influencia del flujo exterior en
una región. Su eliminación revela estructuras locales en el flujo que de otro modo estarían ocultas.
Bhatia et al.[BPB14,BPKB14] sugieren un método de descomposición del flujo que sigue el HHD,
que descompone el flujo en partes irrotacionales, incompresibles y armónicas. Mientras que
Wiebelet al.[WGS02] suponga que el flujo límite es cero, Bhatiaet al.no requieren que las
condiciones de contorno sean únicas, lo que reduce la complejidad de su método para flujos
compresibles. Bhatiaet al.Calcule el HHD de un campo derivado que es idéntico al flujo dentro de la
región pero cae a cero en el infinito. Su componente armónica es cero, lo que
TABLA
Propiedades matemáticas y referencias a ejemplos de artículos clasificados principalmente en
Seguimiento de topología estable. La codificación de colores se
explica en la Fig.4.
hace que el HHD sea único. Luego utilizan sólo las partes irrotacionales e incompresibles
restringidas a la región en cuestión.
Figura 6:Se utilizan líneas de rayas generalizadas que comienzan en una línea de trayectoria tipo
silla de montar (por ejemplo, en para separar localmente regiones de diferente comportamiento.
Estas líneas de corriente producen una segmentación trivial en general si el campo se da solo por
un tiempo finito y una descomposición no trivial comparable. En esta representación del espacio-
tiempo: las sillas de montar son amarillas, los centros son verdes, las separatrices generalizadas
son rojas y las líneas de camino son violetas. Imagen reproducida de Rojo et al. [RG20, Fig. 3].
Gunteret al.[GGT17] proporcionan un algoritmo para asumir localmente el FOR que hace que el
campo parezca mayormente estable. Un FOR local de este tipo se considera el mejor marco para
ver los patrones de flujo, por ejemplo, por Lugt [Lug79] y Perry y Chong [PC94a]. Gunteret al.
Descomponer el requisito de minimización de modo que solo necesiten resolver un sistema de
ecuaciones lineales. Más tarde, Rojo et al. [RG20] extrae una topología estable utilizando un FOR
local similar, consulte la Fig.6. Proporcionan una visualización basada en líneas de ruta para el
contexto.
campo que describe el movimiento de un conjunto de observadores adaptados al flujo de entrada.
El campo de observadores define de manera que todos los observadores perciban que el flujo es
"lo más estable posible" con derivadas del
tiempo casi nulas. Se define una derivada del tiempo relacionada con el observador, que se basa
en el concepto de derivadas de Lie. El campo del observador minimiza esta derivada del tiempo
observada utilizando optimización global, ver Fig.7. Con base en este campo de observación, se
introducen nociones de líneas de corriente, líneas de ruta, líneas de raya y líneas de tiempo
observadas. hadwiger et al. demostrar que el flujo percibido por el campo del observador es
objetivo, haciendo que las características del flujo derivadas, como los vórtices, también sean
objetivas. Aunque en el artículo no se analiza explícitamente una segmentación topológica, el
campo derivado se puede utilizar para definir una topología de flujo objetiva.

Los artículos anteriores persiguen dos objetivos principales. Wiebelet al.[WGS02] y Bhatiaet al.
[BPB14,BPKB14] hacen uso del HHD debido a sus propiedades y aplicaciones útiles. Están menos
centrados en la invariancia del marco y no muestran la invariancia galileana en sus artículos.
Gunteret al.[GGT17,RG20] y Hadwigeret al.[HMTR18], por otro lado, diseña específicamente
adaptaciones del marco de referencia para cumplir con la invariancia del marco. Mientras que el
primero coincide con el caso estable, el segundo produce resultados fluidos debido a su naturaleza
global. Podemos ver en la tabla2cómo los métodos satisfacen propiedades más deseables. Una
observación obvia es la aparente falta de invariancia lagrangiana para los métodos en la categoría
actual de adaptación del marco de referencia.
4.3. Categorizar o agrupar líneas de ruta
Las líneas de trayectoria son tangenciales a un campo vectorial en todas partes en el tiempo, pero
las líneas de corriente son tangenciales en un punto fijo en el tiempo. En un campo vectorial
estable, las líneas de ruta y las líneas de corriente coinciden, lo que motiva a los investigadores a
seleccionar, categorizar y agrupar líneas de ruta para generalizar.
| papel | $\begin{array}{l}\text { colisionar con } \\\text { caso skady }\end{array}$ | $\begin{array}
{l}\text { amasas separadas } \\\text { de cuherent } \\\text { behwior }\end{array}$ | Laynangkin |
Insariante galiano | obictino |
| :---: | :---: | :---: | :---: | :---: | :---: |
| [WCSED2] | Ejemplo 3 | $\begin{array}{l}\text { eparifices } \\\text { un (hiper-) } \\\text
{ sucfaces en } \\d+1\end{array}$ | Bejemplo fi | Teorema I | Ejemplo 4 |
| $\begin{array}{l}\text { [BPB 14, } \\\text { BPKB14] }\end{array}$ | Ejemplo 3 | | Ejemplo 6 |
Tasenem 1 | Ejemplo 5 |
| [HMTRI8] | $\begin{array}{l}\text { Tharen 2, Fx- } \\\text { amplio } 7\end{array}$ | $\
begin{array}{l}\text { sparifrices } \\\text { un (hiper-) } \\\text { superficies en } \\d+1\end{array}$ |
Ejemplo 8 | $\begin{array}{l}\text { Sec } 4.3 \text { en sus nefers de papel } \\\text { en peoor en
[TND44] }\end{array}$ | $\begin{array}{l}\text { Sec. } 4.3 \text { en sus registros de papel } \\\text {
para buscar en [TNO4] }\end{array}$ |
| | $\begin{array}{l}F_0=0 \text { es al: } \\\text { listo opdimim }\end{array}$ | $\begin{array}{l}\
text { eparifices } \\\text { w (tryper-) } \\\text { artzoes in } \\d+1\end{array}$ | Ejemplo 9 | $\
begin{array}{l}\text { Sec } 3.1 \text { del adicional } \\\text { material de [Rcian], bert not } \\\text
{ campos lineales lejanos, Sec } 7.10 \text { ] } \\\text { en [GGII)] }\end{array}$ | |

Tabla 2: Propiedades matemáticas y referencias a pruebas de artículos clasificados como

principalmente Adaptación del marco de referencia. La mayoría de las técnicas de adaptación del
marco de referencia se derivaron de técnicas de visualización generales y los artículos no
mencionan específicamente la topología de flujo. A los efectos de este informe, los clasificamos
bajo el supuesto de que la topología de campo vectorial clásica se aplica al campo adaptado al
marco. La codificación de colores se explica en la Fig. 4
topología de flujo. Las líneas de trayectoria describen el movimiento de partículas, lo que les da un
significado físico directo.
Theiselet al.[TWHS05] categorizan áreas de comportamiento convergente, comportamiento
divergente o ninguno de los dos usando líneas de trayectoria como extensiones de sumideros,
fuentes y sillas de montar, ver Fig.5.
Figura 8:Primera generalización de separatrices a líneas de rayas generalizadas. La visualización del
espacio-tiempo con cortes está codificada por colores mediante FTLE: las variedades atrayentes
están en azul, las variedades repelentes están en rojo. Imagen reproducida de Sadlo y Weiskopf et
al.
Inspirado en las trayectorias hiperbólicas de Haller [Hal00], Sadlo y Weiskopf [ SW10] generalizar el
concepto de puntos críticos tipo silla de montar a campos vectoriales dependientes del tiempo
utilizando las intersecciones de crestas hacia adelante y hacia atrás Campo exponente de Lyapunov
de tiempo finito (FTLE) [Hal02a . FTLE es una medida escalar que describe la cantidad de
estiramiento de las líneas de trayectoria vecinas durante un intervalo de tiempo [t-t+t′]respectivo a
[t,t −t′]. La motivación detrás de esta elección es la misma que la de las sillas de montar: estas
áreas muestran un comportamiento divergente tanto hacia adelante como hacia atrás en el
tiempo. Ellos Utilice estos puntos como semillas para líneas de rayas generalizadas como las
introdujo Wiebel.et al.[WTS∗ 07], que forman una generalización de separatrices para flujos
dependientes del tiempo, ver Fig.8. También analizan las crestas en los campos temporales de
hipertonicidad, pero descartan el enfoque por considerarlo insatisfactorio en la práctica. El trabajo
de Sadlo y Weiskopf es un paso importante hacia una topología de flujo dependiente del tiempo.
Sin embargo, aún faltan las contrapartes de centros, fuentes y sumideros.

Figura 9:La acumulación de partículas a lo largo del tiempo indica un sumidero en el famoso
conjunto de datos de placas de Petri. Las partículas están codificadas por colores según el
momento de la siembra
Wiebelet al.[WCW∗ 11] iniciar líneas de ruta en un conjunto de puntos de tiempo. En cualquier
momento final, calculan la densidad de los puntos finales de las líneas de ruta y rastrean los
máximos locales de este escalar similar a un histograma.
campo como el análogo variable en el tiempo de los sumideros. Su enfoque proporciona una
visualización físicamente significativa de un conjunto de datos muy complicado que involucra una
placa de Petri giratoria, ver Fig.9. o comportamiento de contracción durante todo el tiempo de
simulación [BDZG19], ver Fig.11. Los resultados son áreas que segmentan el dominio y se reducen
hacia las verdaderas ubicaciones de puntos críticos si se dispone de un tiempo de integración más
largo. Üffingeret al. [USO12] ampliar el trabajo anterior [SW10] a un caso 3D calculando
separatrices basadas en rayas a partir de curvas de siembra 1D. Estos últimos se obtienen a partir
de superficies de trayectoria que emanan de crestas 2D en campos FTLE directos e inversos.
Figura 10:Ejemplo de superficie de recirculación. Este método produce visualizaciones
verdaderamente estables, es decir, características que no dependen del tiempo. El color codifica la
hora de inicio (izquierda) y la hora de integración (derecha). Imagen reproducida de Wilde et al.
[WRT18, Figura 1]. salvajeet al.[WRT18] presentan un método para extraer superficies de
recirculación para campos de flujo inestable 3D. La idea clave es incrustar el flujo en una variedad
de dimensiones superiores para la extracción de líneas y luego proyectar los resultados
nuevamente al espacio 3D. Una línea de recirculación se define como una ruta que regresa al
mismo lugar después de un tiempo. No es necesario que la dirección del flujo sea la misma
después de regresar al punto, consulte la Fig.10. salvajeet al.El artículo de es una excepción en esta
categoría de métodos ya que no pretende generalizar la topología de campo vectorial. Sin
embargo, incluimos este artículo en la encuesta, porque la idea de un campo de desplazamiento
5D podría usarse hipotéticamente para categorizar o agrupar líneas de ruta, aunque el campo de
desplazamiento depende del marco.
Figura 11:Representación espacio-temporal de una segmentación no trivial a lo largo del tiempo de
un campo giratorio en regiones con comportamiento similar a una fuente (rojo), un sumidero
(azul) y una silla de montar (blanco). Otras regiones son transparentes. Imagen reproducida de
[BDZG19].

Bujacket al.[BDBR∗ 19] sigue el trabajo de Sadlo y Weiskopf [SW10] para extraer líneas de ruta de
fuerte comportamiento hiperbólico como sillas de montar de tiempo finito. A diferencia de
trabajos anteriores, introducen una definición lagrangiana utilizando toda la gama de momentos
temporales capturados en el conjunto de datos. Además, sugieren una clasificación más sólida
basada en el tiempo de integración hacia adelante y hacia atrás por separado y muestran que es
un criterio suficiente para su contraparte lagrangiana. Posteriormente amplían esta definición y
clasifican las líneas de trayectoria como sumideros, fuentes o sillas de montar en función de su
expansión en el tiempo finito.
o comportamiento de contracción durante todo el tiempo de simulación [BDZG19], ver Fig.11. Los
resultados son áreas que segmentan el dominio y se reducen hacia las verdaderas ubicaciones de
puntos críticos si se dispone de un tiempo de integración más largo.
Mesa3muestra las propiedades matemáticas de estos enfoques. Vemos que aunque el primer uso
de la topología basada en líneas de ruta por parte de Theiselet al.[TWHS05] es una gran idea, la
implementación real no mejora la independencia del marco ni las deficiencias lagrangianas de la
topología clásica. Los trabajos siguientes satisfacen la independencia del marco concentrándose en
ciertos tipos de características, como únicamente monturas y separatrices [SW10,USO12,BDBR∗
19], y solo se hunde [WCW∗ 11], hasta que los conceptos teóricos se unifiquen en un marco que
abarque las regiones de tipo silla, fuente y sumidero [BDZG19]. Los métodos de esta categoría en
parte no son lagrangianos a pesar de que están basados en líneas de ruta, porque no utilizan todo
el tiempo disponible. Esta elección puede estar motivada por una de las dos razones siguientes. En
primer lugar, un enfoque de ventana deslizante puede producir resultados más intuitivos y
visualmente agradables, porque no captura el plegado y la mezcla caóticos. En segundo lugar, un
método lagrangiano puede presentar problemas de robustez o estabilidad porque requiere
integración en una variedad inestable durante mucho tiempo. Estos métodos pueden hacerse
lagrangianos si se aplican al intervalo de tiempo completo de los datos.
4.4. Generalización de puntos críticos
Esta sección comprende una dirección de investigación que sigue explícitamente el objetivo de
generalizar la topología de campo vectorial clásica a campos inestables o marcos de referencia
cambiantes. Estos métodos utilizan campos escalares y utilizan sus extremos (o ceros) para definir
puntos críticos generalizados. Figura 12:La magnitud de la aceleración se muestra como un mapa
de altura
coloreado y los mínimos extraídos (esferas) sirven como puntos críticos generalizados. Imagen
reproducida de Kasten et al. [KHNH11]. castilloet al.[KHNH11,krh∗ dieciséis] amplían el concepto
de puntos críticos a los mínimos del campo de aceleración. Esta extensión incluye la definición
clásica de puntos críticos en campos estacionarios,

pero es invariante galileana. Filtran a estos candidatos utilizando una versión del filtrado
lagrangiano. Realizan un seguimiento de dos propiedades escalares sobre partes de una
trayectoria: la aceleración y la minimalidad. Cuando una línea de ruta viola uno de los umbrales,
dejan de considerarla crítica. Luego, consideran sólo aquellas líneas de ruta que tienen una vida
útil superior a un umbral determinado. Un problema importante es que el parámetro de tiempo
debe ser mucho menor para los puntos críticos en forma de silla de montar que para los centros,
ver Fig.12. Relacionado con esto está el trabajo de Reininghaus. et al.[RKWH12], quienes proponen
un algoritmo de seguimiento combinatorio para puntos críticos en campos escalares. Aplican el
método para rastrear los puntos críticos clásicos de los flujos, así como los puntos críticos
generalizados a partir de los mínimos de aceleración de Kasten.et al.[krh∗ dieciséis]. En teoría, el
método de seguimiento en sí es independiente del FOR siempre que el campo escalar utilizado
para la definición de los puntos críticos sea invariante galileana. En la práctica, sin embargo, la
densidad de muestreo temporal requerida del flujo archivado depende de la fuerza del flujo de
fondo. En consecuencia, el seguimiento de puntos críticos a partir de una topología de campo
vectorial estable no es invariante galileana, y el seguimiento de ceros en la aceleración es
invariante si la densidad de muestreo temporal es lo suficientemente alta.
extienden los conceptos de puntos críticos de estado estacionario a datos variables en el tiempo
de cuatro maneras diferentes. Primero miran los ceros de la aceleración. Luego sugieren que cada
punto detectado adapte el FOR para convertirse en un punto crítico clásico. Clasifican estos puntos
en el sentido clásico, lo que permite separa trices localmente significativas. Para compensar
cambios FOR más complejos, Fuchset al. Sugerimos seleccionar partículas que observen una
velocidad casi constante en su vecindad y tengan una pequeña
aceleración. Para ello introducen el concepto de inestabilidad como derivado material del
jacobiano. Además, aplican suavizado lagrangiano tanto a la inestabilidad como a la velocidad.
Muestran que el filtrado lagrangiano aplicado a la magnitud de la velocidad, la magnitud de la
aceleración y la inestabilidad proporciona resultados comparables al FTLE en el doble giro. Por otra
parte, para una versión analítica de la placa de Petri, sólo la inestabilidad lagrangiana suavizada da
resultados similares a los del FTLE.

Figura 13:Los marcos de referencia locales (derecha) de los puntos críticos generalizados revelan
los componentes individuales (izquierda, pequeño) de una super composición (izquierda, grande)
de diferentes campos. El campo vectorial se visualiza mediante LIC [CL93] y coloreado según la
velocidad a la izquierda: azul significa valores bajos y rojo significa valores altos. El campo vectorial
está coloreado por el determinante del jacobiano de la derecha: azul significa negativo, rojo
significa positivo y blanco significa valores cero.

sugieren eliminar el requisito de que un punto crítico tenga velocidad cero porque siempre existe
un FOR que puede hacerlo crítico. Dado que la categorización de los puntos críticos en sumideros,
fuentes, sillas de montar y centros es invariante galileana, sugieren que los puntos críticos se
generalicen como extremos del determinante del jacobiano. Luego, asumen localmente FOR para
estos puntos en la visualización.

utilizan el concepto topológico de robustez, que está relacionado con la persistencia en el caso
escalar. Este concepto refleja cuánto se debe perturbar un campo vectorial para que se cancele un
punto crítico. Realizan un seguimiento de la solidez de los puntos críticos a lo largo del tiempo. Sin
embargo, dado que el significado físico de los puntos críticos clásicos es dudoso bajo cambios en el
marco de referencia, aplican la medida de robustez no sólo a los puntos críticos sino también a
cualquier punto en su propia referencia. WBPRH17], lo que hace que el método galileano sea
invariante.
Machadoet al. [MBES16] extraen trayectorias hiperbólicas como líneas de trayectoria cercanas a
líneas de bifurcación en el espacio de fase extendido, es decir, la representación espaciotemporal
del campo vectorial. Argumentan que estas líneas de trayectoria y sus variedades invariantes
producen LCS como la intersección de crestas FTLE hacia adelante y hacia atrás y como las
superficies materiales que comienzan en estas intersecciones (desde [SW10] pero más rápido).
Para la definición de líneas de bifurcación se sigue a Roth.et al.[podredumbre00,RP98] y use los
lugares geométricos donde la velocidadves paralelo a la formulación constante de la aceleracióna=
(∇v)vo el vector b = (∇a)v. Refinan los resultados para formar líneas de flujo como en su trabajo
anterior [MSE13]. Debido a que los resultados fueron pobres, abandonaron el enfoque del vector
de sacudidas y utilizaron la aceleración. Para el caso del campo espacio-temporal, la condición
nX×a=0 es equivalente a loci con aceleración evanescente=0, que muestra la relación con técnicas
anteriores.

5. Teoría
En esta sección, proporcionamos un análisis matemático detallado resumido en Tablas1–4. Las
tablas proporcionan una descripción general de nuestros resultados de clasificación. Cada celda de
la tabla hace referencia a una parte de esta sección, que proporciona detalles bajo demanda en
forma de boceto de prueba o de (contra)ejemplo. Primero revisamos los comportamientos
asociados con las características básicas del flujo que los métodos estudiados utilizan con
frecuencia en transformaciones de coordenadas. Luego, proporcionamos ejemplos y teoremas
para inferir las propiedades de estos métodos. Nuevamente, los artículos estudiados se clasifican
por enfoques cómo se detalla en la Sec.2.1.
5.1. Transformaciones de coordenadas
En esta sección, recopilamos los conceptos matemáticos y las características de flujo
que se utilizan para generalizar la topología de campo vectorial clásica (es decir, independiente del
tiempo) a datos dependientes del tiempo y analizamos sus propiedades bajo cambios del marco de
referencia. Nosotros entonces centrarse en determinar para cuál de las propiedades deseables es
suficiente el método sugerido. Una introducción a los principios físicos se puede encontrar, por
ejemplo, Nos fijamos en las transformaciones euclidianas de coordenadas

centrarse en determinar para cuál de las propiedades deseables es suficiente el método sugerido.
Se puede encontrar una introducción a los principios físicos, por ejemplo, en [Liu02, SJ06].

Observamos las transformaciones euclidianas de coordenadas $(x, t) \in$ $\mathbb{R}^d \times \

mathbb{R}$, es decir, transformaciones de la forma

x^{\prime}=Q(t) x+r(t)

con una matriz ortogonal dependiente del tiempo $Q: \mathbb{R} \rightarrow S O(d)$ y un vector
dependiente del tiempo $r: \mathbb{R} \rightarrow \mathbb{R}^d$ [TN04].

Una transformación galileana es un subconjunto de (5) con la restricción adicional de $r$ que
depende solo linealmente del tiempo, $\dot{r}=$ const.

Un campo escalar $s(x, t)$, un campo vectorial $v(x, t)$ y un campo matricial $M(x, t)$ se llaman
objetivos, es decir, invariantes con respecto a una transformación de coordenadas, si son
suficientes

\begin{alineado}
s^{\prime}\left(x^{\prime}, t\right) & =s(x, t), \\
v^{\prime}\left(x^{\prime}, t\right) & =Q(t) v(x), \\
M^{\prime}\left(x^{\prime}, t\right) & =Q(t) M(x, t) Q^T(t) .
\end{alineado}

5.1.1. Campo de velocidad

La topología clásica de campo vectorial estable y la superposición de características topológicas
utilizan la definición de puntos críticos como ceros en el campo de velocidad.
v(x, t)=\frac{d x(t)}{d t}=\dot{x} .

El campo de velocidades no es invariante bajo la transformación (5) como

\begin{alineado}
v^{\prime}\left(x^{\prime}, t\right) & \stackrel{(7)}{=} \frac{d x^{\prime}}{d t} \\
& \stackrel{(5)}{=} \frac{d}{d t}(Q(t) x+r(t)) \\
& =\dot{Q}(t) x+Q(t) \dot{x}+\dot{r}(t) \\
& \stackrel{(7)}{=} \dot{Q}(t) x+Q(t) v(x, t)+\dot{r}(t) .
\end{alineado}

Por lo tanto, (8) significa que $v$ no es objetivo ni invariante galileano.

5.1.2. Campo vectorial invariante galileano
Algunos métodos [FKS*10, BHJ16, WBPRH17] utilizan el campo vectorial invariante galileano (GIVF)
después de una transformada galileana para percibir un punto dado $x_0$ como crítico

v_{x_0}(x, t)=v(x, t)-v\left(x_0, t\right) .

La transformación (5) transforma $v^{\prime}\left(x^{\prime}, t\right)$ mediante

\begin{alineado}
v_{x_0^{\prime}}^{\prime}\left(x^{\prime}, t\right) \stackrel{(8)}{=} v^{\prime}\left(x^{ \prime}, t\
right)-v^{\prime}\left(x_0^{\prime}, t\right) \\
\stackrel{(8)}{=} \dot{Q}(t) x+Q(t) v(x, t)+\dot{r}(t) \\
\\
-\left(\dot{Q}(t) x_0+Q(t) v\left(x_0, t\right)+\dot{r}(t)\right) \\
=Q(t)\left(v(x, t)-v\left(x_0, t\right)\right)+\dot{Q}(t)\left(x-x_0\right) .
\end{alineado}
Por lo tanto, según $(10), v_{x_0}$ no es objetivo sino invariante galileano; $v_{x_0}$ se conoce
como puntos críticos invariantes galileanos.

TABLA 3
Tabla 4: Propiedades matemáticas y referencias a pruebas de artículos clasificados como
principalmente Generalización de puntos críticos. La codificación de colores se explica en la Fig.4.

5. 1.3. Aceleración
El campo de aceleración left.\mathrm{KRH}^* 16\right] es la derivada material del campo de flujo

\begin{alineado}
a(x, t) & =x \\
& \stackrel{(7)}{=} \frac{D v(x, t)}{D t} \\
& =\frac{d v(x, t)}{d x} \frac{d x}{d t}+\frac{\partial v(x, t)}{\partial t} \\
& \stackrel{(7),(13)}{=} J(x, t) v(x, t)+\frac{\partial v(x, t)}{\partial t} .
\end{alineado}

Por otro lado, $a$ se transforma mediante (11), (5) y (7),

\begin{alineado}
a^{\prime}\left(x^{\prime}, t\right) & =\frac{d^2 x^{\prime}(t)}{d t^2} \\
& \stackrel{(11))}{=} \frac{d^2}{d t^2}(Q(t) x+r(t)) \\
& \stackrel{(5)}{=} Q(t) x+2 Q(t) \dot{x}+Q(t) \bar{x}+r(t), \\
& \stackrel{\sigma),(11)}{=} Q(t) x+2 Q(t) v(x, t)+Q(t) a(x, t)+r(t),
\end{alineado}

lo que lo hace invariante galileano, pero no objetivo.

5. 1.4. jacobiano
El jacobiano de un campo de velocidades es el gradiente de velocidad.
J(x, t)=\nabla_x v(x, t) \text {. }
El jacobiano se utiliza normalmente para clasificar puntos críticos clásicos [HH89]; también se
utiliza para definir puntos críticos en [BHJ16]. Según la siguiente relación,
\nabla_{x^{\prime}} \stackrel{(5)}{=} \nabla_{x^r}\left(Q^T(t)(x-r(t))\right)=Q^T(t),
el jacobiano se comporta bajo transformaciones (5) a través de
\begin{aligned}
J^{\prime}\left(x^{\prime}, t\right) & \stackrel{(13)}{=} \nabla_{x^{\prime}} V^{\prime}\left(x^{\
prime}, t\right) \\
& \stackrel{(8)}{=} \nabla_{x^{\prime}}(Q(t) x+Q(t) v(x, t)+r(t)) \\
& \stackrel{(14)}{=} Q(t) Q^T(t)+Q(t) \nabla_x v(x, t) Q^T(t) \\
& \stackrel{(13)}{=} Q(t) Q^T(t)+Q(t) J(x, t) Q^T(t),
\end{aligned}
haciéndolo no objetivo, sino invariante galileano.
5.1.5. Derivada material del jacobiano (inestabilidad)
La inestabilidad [FKS $\left.{ }^* 10\right]$ es la derivada material del jacobiano
\frac{D}{D t} J(x, t) \stackrel{(13)}{=} \frac{D}{D t} \nabla_x v(x, t)=\nabla_x \frac{D} {D t} v(x, t) \
stackrel{(11)}{=} \nabla_x a(x, t) .
La derivada se transforma mediante
\begin{alineado}
\frac{D}{D t} J^{\prime}\left(x^{\prime}, t\right) & \stackrel{(16)}{=} \nabla_{x^{\prime}} a^{\
prime}\left(x^{\prime}, t\right) \\
& \stackrel{(12)}{=} \nabla_{x^{\prime}}(Q(t) x+2 Q(t) v(x, t)+Q(t) a(x, t) +r(t)) \\
& \stackrel{(14)}{=} Q(t) Q^T(t)+2 Q(t) v(x, t) Q^T(t)+Q(t) a(x, t) Q^T(t),
\end{alineado}
lo que lo hace invariante galileano, pero no objetivo.
5.16. Mapa de flujo
Con
\begin{aligned}
F_{t_0}^{t_0}\left(x_0\right) & =x_0, \\
F_{t_1}^{t^2}\left(F_{t_0}^{t_1}\left(x_0\right)\right) & =F_{t_0}^{t^2}\left(x_0\right) .
\end{aligned}
El mapa de flujo describe cómo una parcela de flujo en
\left(x_0, t_0\right)$ moves to $F_{t_0}^{f_0}\left(x_0\right)
se mueve a
F_{t_0}^{f_0}\left(x_0\right)
en el intervalo de tiempo
t_1-t_0

Estas dos representaciones están relacionadas a través del problema de valor inicial

F_{t 0}^s\left(x_0\right)=v\left(F_{t 0}^s\left(x_0\right), t\right), \quad F_{t 0}^{t 0}\left(x_0\

right)=x_0 ;
e inversamente a través

x_0+\int_{t_0}^t v\left(F_{t_0}^t\left(x_0\right), t\right) d t=F_{t_0}^t\left(x_0\right).

El flujo se transforma como las coordenadas espaciales en (5)

\begin{aligned}
& F_{t_0}^{\prime r_1}\left(x_0^{\prime}\right) \stackrel{(22)}{=} x_0^{\prime}+\int_{t_0}^{t 1}
v^{\prime}\left(F_{t_0}^{\prime \prime 1}\left(x_0^{\prime}\right), t\right) d t \\
& \stackrel{(8)}{=} x_0^{\prime}+\int_{t_0}^{t_1} \dot{Q}(t) F_{t_0}^{I_1}\left(x_0\right)+Q(t) \
dot{H}_{t_0}^{f_1}\left(x_0\right)+\dot{r}(t) d t \\
& =x_0^{\prime}+\int_{t_0}^{t_1} \dot{Q}(t) F_{t_0}^{f_1}\left(x_0\right) d t+\int_{t_0}^{f_1}
Q(t) \dot{F}_{t_0}^{f_1}\left(x_0\right) d t+[r(t)]_{t_0}^{t_1} \\
& \stackrel{\text { integration by parts }}{=} x_0^{\prime}+\left[Q(t) F_{t_0}^{t_1}\left(x_0\right)
+r(t)\right]_{t_0}^{t_1} \\
& =x_0^{\prime}+Q\left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)-\left(Q\left(t_0\
right) F_{t_0}^{t_0}\left(x_0\right)+r\left(t_0\right)\right) \\
& \stackrel{(5)}{=} x_0^{\prime}+Q\left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)-
x_0^{\prime} \\
& =Q\left(t_1\right) F_{I_0}^{r 1}\left(x_0\right)+r\left(t_1\right) . \\
&
\end{aligned}

La ecuación (23) significa que el mapa de flujo no es objetivo ni invariante galileano.

5.1.7. Distancia entre partículas
La distancia entre partículas que viven en el mismo período de tiempo es objetiva debido a la
preservación de la longitud de las transformaciones ortogonales:

\begin{aligned}
& \left\|F_{t_0}^{\prime t_1}\left(x_0^{\prime}\right)-F_{t_0}^{\prime t_1}\left(y_0^{\prime}\
right)\right\| \\
& \stackrel{(23)}{=}\left\|Q\left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)-Q\
left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)\right\| \\
& =\left\|Q\left(t_1\right)\left(F_{t_0}^{t_1}\left(x_0\right)-F_{t_0}^{t_1}\left(x_0\right)\right)\
right\| \\
& =\left\|F_{t_0}^{t_1}\left(x_0\right)-F_{t_0}^{t_1}\left(x_0\right)\right\| .
\end{aligned}

La distancia está inversamente correlacionada con la densidad de partículas.

5.1.8. gradiente de deformación
El gradiente de deformación

\mathbb{R} \times \mathbb{R} \times \mathbb{R}^d \rightarrow \mathbb{R}^{d \times d}, \quad
t_0 \times t_1 \times x_0 \mapsto \nabla F_{t_0}^{t_1}\left(x_0\right)

se transforma a través de
\begin{aligned}
\nabla_{x_0^{\prime}} F_{t_0}^{\prime I 1}\left(x_0^{\prime}\right) & \stackrel{(23)}{=} \
nabla_{x_0^{\prime}}\left(Q\left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)\right) \\
& =Q\left(t_1\right) \nabla_{x_0^{\prime}} F_{t_0}^{f 1}\left(x_0\right) \\
& \stackrel{(14)}{=} Q\left(t_1\right) \nabla_{x_0} F_{t_0}^{f_1}\left(x_0\right) Q\left(t_0\right)^T
\end{aligned}
debido a la regla de la cadena [Liu03], lo que significa que el gradiente de deformación no es
objetivo, sino invariante galileana.
Por otro lado, el determinante del gradiente de deformación es objetivo, debido a la
multiplicatividad del determinante y la ortogonalidad de $Q(t)$ :
$$
\left|\nabla F^{\prime}\right|=\left|Q\left(t_1\right) \nabla F Q^T\left(t_0\right)\right|=\left|Q\
left(t_1\right)\right||\nabla F|\left|Q^T\left(t_0\right)\right|=|\nabla F| .
$$
5.1.9. Tensor de deformación verde de Cauchy
El tensor de deformación de Cauchy-Green correcto
$$
\begin{aligned}
& \mathbb{R} \times \mathbb{R} \times \mathbb{R}^d \rightarrow \mathbb{R}^{d \times d}, \\
& t_0 \times t_1 \times x_0 \mapsto C_{t_0}^{d_1}\left(x_0\right)=\left(\nabla F_{t_0}^{s_1}\
left(x_0\right)\right)^T \nabla F_{t_0}^{s_1}\left(x_0\right)
\end{aligned}
$$
y sus valores propios son la base para el exponente de Lyapunov de tiempo finito (FTLE) [Hal02b] y
métodos relacionados basados en la expansión y contracción de partículas El tensor se transforma
mediante
$$
\begin{aligned}
C_{t_0}^{t_1 1}\left(x_0^{\prime}\right) & \stackrel{(28)}{=}\left(\nabla F_{t_0}^{t_1{ }^{\prime}}\
left(x_0^{\prime}\right)\right)^T \nabla F_{t_0}^{t_1{ }^{\prime}}\left(x_0^{\prime}\right) \\
& \stackrel{(26)}{=}\left(Q\left(t_1\right) \nabla F_{t_0}^{t_1}\left(x_0\right) Q\left(t_0\right)^T\
right)^T Q\left(t_1\right) \nabla F_{t_0}^{f_1}\left(x_0\right) Q\left(t_0\right)^T \\
& =Q\left(t_0\right)\left(\nabla F_{t_0}^{t_1}\left(x_0\right)^T \nabla F_{t_0}^{t_1}\left(x_0\
right)\right) Q\left(t_0\right)^T \\
& \stackrel{(28)}{=} Q\left(t_0\right) C_{t_0}^{f_1}\left(x_0\right) Q\left(t_0\right)^T .
\end{aligned}
$$

Sus valores propios no cambian si se multiplica una matriz ortogonal

$$
\begin{aligned}
\lambda\left(C_{t_0}^{t_1}\left(x_0^{\prime}\right)\right) & \stackrel{(29)}{=} \lambda\left(Q\
left(t_0\right) C_{I_0}^{f_1}\left(x_0\right) Q\left(t_0\right)^T\right) \\
& =\lambda\left(C_{t_0}^{f_1}\left(x_0\right)\right),
\end{aligned}
$$
lo que los hace objetivos.
5.1.10. Distancia entre partículas en diferentes tiempos
El campo de desplazamiento
$$
\mathbb{R} \times \mathbb{R} \times \mathbb{R}^d \rightarrow \mathbb{R}^d, \quad t_0 \times
t_1 \times x_0 \mapsto d_{t_0}^{t_1}\left(x_0\right)=F_{t_0}^{t_1}\left(x_0\right)-x_0
$$
dependiendo de la ubicación inicial $x_0$, la hora de inicio $t_0$ y la hora de finalización $t_1$,
mide la distancia entre las partículas observadas en diferentes momentos. A cada punto de inicio
$x_0$, asigna el vector entre él y la ubicación posterior de una parcela de flujo que se liberó en el
momento $t_0$ en la ubicación $x_0$. El campo de desplazamiento se transforma mediante.
$$
\begin{aligned}
d_{t_0}^{r f 1}\left(x_0^{\prime}\right) & \stackrel{(31)}{=} F_{t_0}^{\prime f_1}\left(x_0^{\prime}\
right)-x_0^{\prime} \\
& \stackrel{(23))}{=} Q\left(t_1\right) F_{t_0}^{t_1}\left(x_0\right)+r\left(t_1\right)-\left(Q\left(t_0\
right) x_0+r\left(t_0\right)\right) \\
& =Q\left(t_1\right)\left(F_{t_0}^{t_1}\left(x_0-x_0\right)+\left(Q\left(t_1\right)-Q\left(t_0\right)\
right) x_0+r\left(t_1\right)-r\left(t_0\right)\right. \\
& \stackrel{(31)}{=} Q\left(t_1\right) d\left(x_0, t_0, t_1\right)+\left(Q\left(t_1\right)-Q\left(t_0\
right)\right) x_0+r\left(t_1\right)-r\left(t_0\right),
\end{aligned}
$$

lo que lo hace ni objetivo ni invariante galileano.

5.2. Contraejemplos y teoremas
Ahora proporcionamos una colección de mini contraejemplos y teoremas para inferir si ciertos
conceptos generalmente satisfacen una de las propiedades deseadas (Sección 2.2) o no. Estos
ejemplos están diseñados para artículos específicos que clasificamos en la Sec. 4 y por lo tanto no
forman una narrativa integral. Esta sección se lee mejor de forma no lineal utilizando las Tablas $1-
4$ como hoja de ruta. Para una mejor orientación, las siguientes subsecciones se denominan de
acuerdo con los cuatro enfoques y las tablas a las que pertenecen.

5.2.1. Seguimiento de topología estable

Esta subsección contiene contraejemplos de la Tabla 1.
Ejemplo 1 La topología clásica de campo vectorial estable no es langrangiana; sus puntos críticos,
especialmente, no forman caminos. Como contraejemplo, nos fijamos en el campo del vector ID.

$$
v(x, t)=x+t-1 .
$$
Este campo tiene un punto crítico clásico en $x_0(t)=1-t$. Este punto crítico no forma una línea de
ruta, porque no es tangencial al campo vectorial $v\left(x_0(t), t\right)=1-t+t-1=0 \neq x_0(t)=- 1$.
Ejemplo 2 La topología clásica de campo vectorial estable no es invariante galileana. Como
contraejemplo, observamos el campo de vector estable ID
$$
v(x,t)=x.
$$
$v(x, t)$ se transforma bajo la coordenada galileana transforma $x^{\prime}=x+t$ al campo (33).
Su punto crítico en $x_0(t)=0$ se transforma en $x_0^{\prime}(t)=$ $t$, que no coincide con el
punto crítico en $1-t$ del campo transformado (33) .

5.2.2. Adaptación del marco de referencia

Esta subsección contiene contraejemplos de la Tabla 2.
Teorema 1 Los flujos localizados que corresponden a las partes divergentes y giratorias de la
descomposición de Helmholtz-Hodge de Wiebel et al. [WGSO2] y de Bhatia et al. [BPB 14, BPKB 14]
son invariantes galileanos.

Prueba Supongamos un campo vectorial $v(x, t): \mathbb{R}^d \times \mathbb{R} \rightarrow \
mathbb{R}^d$ que tiene la descomposición de Helmholtz Hodge
$$
v(x, t)=d(x, t)+r(x, t)+h(x, t)
$$
donde $d$ contiene la parte divergente, $r$ la parte rotacional y $h$ la parte armónica. De ( 8 ) se
deduce que el campo transformado por una traducción dependiente del tiempo $x^{\
prime}=x+r(t)$ tiene la forma
$$
v^{\prime}\left(x^{\prime}, t\right)=v(x, t)+r(t)
$$
Dado que $r(t)$ es independiente de $x$, es libre de divergencia y rotación y pertenece a la parte
armónica $h$ de la descomposición. Como resultado, no tiene influencia en los flujos localizados
sugeridos por ambos métodos $v^*(x, t):=d(x, t)+r(x, t)$ donde se elimina la parte armónica.
Ejemplo 5 Mostramos que el método de Bhatia ef al. [BPB14, BPKB 14] no es objetivo para el
ejemplo del campo vectorial cero
$$
v(x, y)=\left(\begin{array}{l}
0 \\
0
\end{array}\right).
$$
Su flujo localizado $v^*\left(x_0, y_0\right)=d^*\left(x_0, 0\right)+r^*\left(x_0, 0\right)$ también
es cero, porque
$$
\begin{aligned}
& D^*\left(x_0, y_0\right):=\int_{\Omega} G_{\infty}\left(x, x_0\right) \nabla \cdot v(x) d x=0, \\
& R^*\left(x_0, y_0\right):=-\int_{\Omega} G_{\infty}\left(x, x_0\right) \nabla \times v(x) d x=0,
\end{aligned}
$$
donde $G_{\infty}$ es la función de Green en el espacio libre, y
$$
\begin{aligned}
d^*\left(x_0, y_0\right) & :=\nabla \cdot D^*\left(x_0\right)=0, \\
r^*\left(x_0, y_0\right) & :=\nabla \times R^*\left(x_0\right)=0 .
\end{aligned}
$$
De (8) se deduce que la contraparte rotada por $x^{\prime}=Q(t) x$ con la matriz que representa
una rotación de $\pi$ en el momento $t=0$ es suficiente
$$
\hat{p}(x, x)=\left(\begin{array}{c}
-y \\
X
\end{array}\right).
$$
En la descomposición de Helmholtz Hodge, esta parte debe estar en la componente rotacional,
porque no es armónica ni divergente. Por tanto, la parte rotacional no coincide con su contraparte
original, que era cero.

Ejemplo 6 Mostramos que la descomposición de Helmholtz-Hodge de Wiebel et al [WGSO2] y de

Bhatia et al. [BPB14, BPKB 14] no es lagrangiano.
Por ejemplo, si descomponemos un campo vectorial con un flujo de corte que desaparece en el
límite, la descomposición de Helmholtz-Hodge en Wiebel et al. [WGS02] devuelve el campo
original. Por lo tanto, se puede utilizar una ligera variación del Ejemplo I para demostrar que el
método no es lagrangiano.
Supongamos un campo vectorial estable que es cero fuera de la bola unitaria $\forall|x|>$ $1:
v(x)=0$, no tiene parte armónica y tiene un punto crítico $x_0 \neq 0$. El campo inestable que
obtenemos al girarlo alrededor del origen tampoco tiene flujo de corte ni parte armónica y, por lo
tanto, no se modifica con ninguno de los dos métodos. Sus puntos críticos no son lagrangianos,
similar al Ejemplo 1.

Teorema 2 La estabilización de Hadwiger et al. [HMTR18] coincide con el caso estable si se omite el
término de regularización, es decir, para $\mu=0$.
se transforma mediante una transformación galileana $x^{\prime}-x-a$ Entonces el campo
transformador es un campo de exterminio $a(x, t)-c$ satisfactorio.
$$
x^{\prime}-x-\int_0 d(x(\tau), \tau) d \tau-x-\int_0 c d r-x-a
$$
y el campo indomable cuenta la forma
$$
v^{\prime}\left(x^{\prime}, t\right)=v(x)-i(x, t)-x-c-x^r+a-c .
$$
Entonces, dado que estás matando, la energía asesina no contribuye a la integral de energía. .
suponemos $\lambda-1, \mu-2$ y el dominio $\Omega=$ $[0,1] \times[-1,1]$.
$$
\begin{aligned}
& E(c)=\int_0^1 \int_{-1}^1\left|\frac{D v_a\left(\zeta_1, \tau\right)}{D}\right|+2\left|v_a(5, r)\
right| d z d s \\
& =\int_0^1 \int_{-1}^1\left|v_c+\nabla v \cdot u\right|+2|x+a-c| d x d ; \\
& -\int_0^1 \int_{-1}^1|0+1 c|+2|x+a-c| d e d t^2 \\
&
\end{aligned}
$$
que toma su mínimo en $E(-3/16)-29/16$, lo que significa que el campo sólido $v(x)-x$ está
insertado en el campo inestable $v_u(x, t)=x-3 / 16+3 / 16$ Como resultado, aplicar la topología
estable al campo adaptado $v_u$ general no coincide con la topología estable del campo de
entrada.
Del Teorema 2 se deduce que esta elección es consecuencia de la regularización. Se puede mitigar
con un pequeño cambio:
1. Intente calcular el campo del observador con $\mu=0$, es decir, deshabilitando la
regularización. Si se encuentra un mínimo único, el campo de observador correspondiente dejará
los campos estables sin cambios.
2 Si no había un mínimo único, establezca μ a un valor muy pequeño y calcular el campo del
observador con eso.

Ejemplo 8 Demostraremos que las líneas críticas en el campo estabilizado producidas por el
método sugerido por Hadwigeret al.[HMTR18] generalmente no son lagrangianos.. De manera
simple, asumimos $\mu-0$ y $0<\lambda<<1$, es decir, las ponderaciones se establecen de modo
que el término de energía de destrucción en la minimización tenga una ponderación
desproporcionadamente alta, de modo que solo los campos de destrucción verdaderos tusones
posibles y la minimización de energía sólo afecta a la estabilidad. Análogamente al ejemplo7,
tratamos un campo vectorial 1D
$$
v(x)=\left(x-t^2\right)^2
$$
bajo sólo una trasformación galiana $x^{\prime}-x-a$
$$
\gamma\left(x^{\prime} t\right)-\gamma(x)-a(x, t)-\left(x-t^2\right)^2-c-\left(x^{\ primo}+a-t^2\
right)^2-c .
$$
En el dominio $\Omega=\mid 0,1] \times(-1,1]$ la energía toma la forma
$$
E(c){ }^{(44)} \lambda \int_0^1 \int_{-1}^1 \mid 4 t\left(-a^2+x\right)-c\left(2 x-2 a^2 y d d s ;\right.
$$
que requiere un mínimo de $ 2 E (0) -4 / 3 $. Eso significa Eso significa que el campo de entrada no
se transforma. Sus ceros son transforma. $x_{\mathrm{D}}(2)-t^2 w$ tangente $x_0(t)-2 y$ que
no apunta en la dirección del flujo $\gamma_a\left(x_D(t) , t\right)=0$. Dado que las líneas de ruta
se transforman en líneas de ruta a través de la transformación, la línea $x_0(t)$ transformado a las
coordenadas originales tampoco es una línea de ruta en el campo original.
Ejemplo 9Mostramos que la optimización sugerida por Rojo y
Alabama. [RG20] generalmente no extrae puntos críticos lagrangianos. Como ejemplo, tomamos el
campo vectorial.
$$
v(x, t)=\left(\begin{array}{c}
\left(x-t^2\right)^2 \\
y^2
\end{array}\right)
$$ Suponemos una transformación galileana que no depende del espacio, por lo que la
aproximación de Taylor de orden cero del desplazamiento La función de mento debería ser
suficiente. En ese caso, la matriz $M$ tiene la forma.
$$
M(x+t)=\left(\begin{array}{ll}
-J & I
\end{array}\right)=\left(\begin{array}{cccc}
2^2-2 x & 0 & 1 & 0 \\
0 & -2 y & 0 & 1
\end{array}\right) .
$$
La derivada temporal parcial de $v$ basta :
$$
w(x, t)=\left(\begin{array}{c}
4\left(t^2-x\right) t \\
0
\end{array}\right)
$$
Para cada ubicación, integramos sobre una vecindad espacial simétrica y resuelve el ajuste de
mínimos cuadrados
$$
\int_{-c}^c \int_{-c}^c M^T(x+2) M(x, t) d x d y=-\int_{-c}^c \int_{-c}^c M^T v_b d x d y
$$
lo que resulta en
$$
P=\left(\begin{array}{c}
-2 \\
0 \\
0 \\
0
\end{array}\right)
$$
independientemente de la ubicación y el tamaño del vecindario. Como resultado, el flujo
estabilizado w toma la forma
$$
w(x, t)-v(x, t)+\left(\begin{array}{c}
-2 y \\
0
\end{array}\right)-\left(\begin{array}{c}
\left(x-t^2\right)^2-2 y \\
y^2
\end{array}\right) .
$$
$(2 t \pm 1 / \sqrt{2}, 0)$. Los campos específicos $f$ y $v$ apuntan a lo largo de $v\left(x_0^*(t),
f\right)=$ $(22,0)$ thoegh, lo que significa que $x_D^{\infty}( 2)$ no es una ruta. Por lo tanto, el
método no es no es lagrangiano.

5.2.3. Categorizar/agrupar líneas de ruta

Esta subsección contiene ejemplos de contadores para Tabla3.
Ejemplo 10 Ilustramos que la topología orientada a líneas de caminos de no es invariante galileano
usando (45) un campo vectorial 1D
$$
v(x, t)= \begin{cases}x, & \text { if } t=0 \\ -1, & \text { if } t>0 \\ 1 & \text { if } t<0\end{cases}
$$
$(2 t \pm 1 / \sqrt{2}, 0)$. Los campos específicos $f$ y $v$ apuntan a lo largo de $v\left(x_0^*(t),
f\right)=$ $(22,0)$ thoegh, lo que significa que $x_D^{\infty}( 2)$ no es una ruta. Por lo tanto, el
método no es.
$$
v(x, t)= \begin{cases}x, & \text { if } t=0 \\ -1, & \text { if } t>0 \\ 1 & \text { if } t<0\end{cases}
$$
Lo encuentro en una cuadrícula con celda seno $1. Se puede encontrar A$Se puede encontrar una
visualización en la Fig.14. El punto $x_0-0$ será clasificado como fuente por el topólogo, debido a
que el lugar en porque el plano en el espacio-tiempo es ortogonales $v(0,0)=0$, es solo el intervalo
de tiempo en sí, $(-1,0)$ y $(1,0)$, que tienen un carácter expansivo $W(-1,0)=-1$.
$$
v(x, t)= \begin{cases}x, & \text { if } t=0 \\ -2, & \text { if } t>0 \\ 1 & \text { if } t<0\end{cases}
$$

Un ejemplo de campo vectorial 1D (tiempo vertical, espacio horizontal) que muestra que la
topología orientada a líneas de ruta de no es invariante galileana. La fuente se transforma en un
sumidero mediante la transformación. La línea roja muestra el plano ortogonal a la velocidad y las
flechas rojas las proyecciones sobre el plano.

Aquí, en $ t = 0 $, el punto $ x_0 = 0 $ se clasificará como un sumidero cuyos puntos vecinos en el

plano ortogonal son $ w (0,0) = -1 $ son $ (-1, -1) $ y $(1,1) $. Sus vectores en el espacio-tiempo
proyectados en este plano toman la forma $v^{\prime} (-1,-1)-1 / 2$ y $v^{\prime} (1,1)=-1 / 2$, lo
que hace que se
contraigan.

Ejemplo 11 En este ejemplo, demostraremos que las ubicaciones de la expansión o contracción

más fuerte del mapa de flujo como se usa, por ejemplo, en general no coincidirá con los puntos
críticos en un campo estable. Para ilustrar nuestra idea, usamos un ejemplo 1D, en el que todas las
partículas que comienzan en$(0,3.55)$ se mueven hacia la derecha hacia 3.55.
$$
v(x)= \begin{cases}0.1 x, & \text { if } x \in(0,0.5) \\ x-0.45, & \text { if } x \in(0.5,2) \\ 3.55-x, & \text
{ if } x \in(2,3.55) .\end{cases}
$$
El mapa de flujo de (56) toma la forma
$$
F_0^t\left(x_0\right)= \begin{cases}x_0 e^{0.1 t}, & \text { if } x_0 \in\left(0,0.5 e^{-0.1 t}\right) \\
0.9-51.2 x_0^{10} e^t, & \text { if } x_0 \in\left[0.5 e^{-0.1 t}, 0.5\right] \\ 0.9+e^t(x 0-0.9), & \text {
if } x_0 \in\left[0.5,1.55 e^{-t}+0.45\right] \\ \frac{3.55-1.55 e^{-t}}{1.55 x_0-0.45}, & \text { if }
x_0 \in\left[1.55 e^{-t}+0.45,2\right] \\ 3.1+e^{-t}(x 0-3.1), & \text { if } x_0 \in(2,3.55]\end{cases}
$$
para tiempos de integración lo suficientemente pequeños como para que ninguna partícula cruce
ambos límites $x=0.5$ y $x=2$ entre los diferentes casos en (56), lo cual es cierto para $t<3.43$,
especialmente para el caso de $t=1 $ que veremos.
El gradiente del mapa de flujo (57) es suficiente.
$$
\nabla F_0^t\left(x_0\right)= \begin{cases}e^{0.1 t}, & \text { if } x_0 \in\left(0,0.5 e^{-0.1 t}\
right) \\ 512 x_0^9 e^t, & \text { if } x_0 \in\left[0.5 e^{-0.1 t}, 0.5\right] \\ e^t, & \text { if } x_0 \
in \left[0.5,1.55 e^{-t}+0.45\right] \\ \frac{1}{e^t\left(1.55 x_0-0.45\right)^2}, & \text { if } x_0 \ en\
left[1.55 e^{-t}+0.45,2\right] \\ e^{-t}, & \text { if } x_0 \in(2,3.55]\end{cases}
$$
Las gráficas de estas funciones para $t=1$ se pueden encontrar en la Fig. 15. La expansión máxima
es constante en todo el intervalo.

(a) Velocidad del (b) Su mapa de flujo $F_0^1\left(x_0\right)$ (c) Gradiente del mapa de flujo $1
D$ campo vectorial $v(x)$ de (57) visualizado $\nabla F_0^1 \left(x_0\right)$ de (58) y de (56). $\
quad$ hasta el punto final como 1 como referencia a la función de separación del punto de inicio.
tasa de expansión desde regiones atractivas.
Figura 15: La expansión máxima $x \in\left[0.5,1.55 e^{-t}+0.45\right]$ y la ubicación de la silla
$x=0$ en general no coinciden. Eje horizontal: espacio.
val $\left[0.5,1.55 e^{-t}+0.45\right]$, que excluye la verdadera ubicación del punto crítico en
$x_0=0$.
5.2.4. Generalización de puntos críticos
Esta subsección contiene contraejemplos para la Tabla 4.
Ejemplo 12 Kasten et al. [KHNH11] utiliza ubicaciones que minimicen la aceleración. Dado que en
un campo estacionario la aceleración en un punto crítico es cero, se incluyen todos los puntos
críticos clásicos, es decir, la definición es suficiente. Sin embargo, el siguiente ejemplo $1 \
mathrm{D}$ mostrará que la definición no es necesaria. El campo vectorial $1 \mathrm{D}$
$$
v(x)=\sqrt{x}+x e^{-|x|}
$$
tiene la aceleración
$$
a(x)=\left(\frac{1}{2 \sqrt{x}}+e^{-|x|}-\frac{x^2 e^{-|x|}}{|x| }\right)\left(\sqrt{x}+x e^{-|x|}\right)
$$
Ejemplo 13 Las líneas de aceleración de fuga en general no son líneas de trayectoria, por ejemplo,
el campo vectorial 1D dependiente del tiempo
$$
v(x,t)=x+t^2
$$
tiene la aceleración
$$
a(x,t)=t^2+2t+x
$$
con un cero a lo largo de la línea $x_0(t)=-t^2-2 t$. La tangente de esta recta satisface $\
dot{x}_0(t)=-2 t-2$, pero el campo vectorial a lo largo de esta recta es suficiente $v\left(x_0(t), t\
right)=-2 t $, lo que significa que no sigue la línea, lo que significa que los métodos sugeridos por
Kasten et al. [KHNH11] y Fuchs et al. [FKS*10], y el método basado en la aceleración de
Reininghaus et al. [RH11] no son lagrangianas.
Kasten et al. [KHNH11] y Fuchs et al. [FKS*10] amplían su idea de buscar mínimos/ceros de
aceleración utilizando el suavizado lagrangiano e introducen puntos de equilibrio lagrangiano, que
son líneas de trayectoria que exhiben una baja aceleración durante un período de tiempo. Su
método se basa en varios parámetros: umbrales para la aceleración, la aceleración relativa en
comparación con puntos vecinos y un
El campo (59) v está en rojo, su jacobiano J está en verde y su aceleración a está en azul. La
aceleración asume un mínimo.

alrededor de $x \aproximadamente 2,5$ aunque ni el jacobiano ni la velocidad son cero allí.

ventana de tiempo. Si se utiliza el tiempo completo, entonces este método se vuelve lagrangiano,
pero los autores utilizan un método de ventana deslizante. Por lo tanto, el método no es
lagrangiano, debido a la Sección 2.3 en [Hal15].
Teorema 3 Si el campo de entrada es estable y las ubicaciones de la aceleración que desaparece
$a(x)=0$ no son degeneradas, es decir, el jacobiano tiene rango completo, $\operatorname{det}
J(x) \neq 0$, la aceleración los ceros coinciden con los puntos críticos clásicos de primer orden
$v(x)=0$.

Prueba En el caso de un campo vectorial estable, la aceleración $a=$ $\nabla v v+v_t$ se simplifica
a $a=\nabla v v$, que es cero si $v=0$ o el rango de $\nabla v$ no está lleno y $v$ está en su
núcleo. En el primer caso, tenemos un punto crítico estable. En el último caso, el determinante del
jacobiano $\nabla v$ es cero, lo que lo haría degenerar.

Ejemplo 14 Bujack et al. [BHJ16] observa los extremos del determinante del jacobiano. Estos
generalmente no coinciden con los puntos críticos clásicos. Por ejemplo, el campo vectorial
estacionario
$$
v(x, y)=\left(\begin{array}{c}
x-1 \\
y
\end{array}\right) e^{-\sqrt{x^2+y^2}}
$$
tiene un punto crítico en $(1,0)^T$, pero el máximo del determinante del jacobiano
$$
e^{-2 \sqrt{x^2+y^2}} \frac{\sqrt{x^2+y^2}\left(x^2+y^2-x\right)-x^2 -y^2}{x^2+y^2}
$$
está ubicado en $(0,0)^T$, compare la Fig. 17.
El mismo ejemplo muestra que el método no es lagrangiano, porque la tangente $\
dot{x}_0(t)=(0,0)^T$ de la línea extraída del determinante máximo del jacobiano $x_0(t)=( 0,0)^T$
no es tangencial al campo vectorial $v\left(x_0(t)\right)=v(0,0)=(-1,0)^T$.

Ejemplo 15 En este ejemplo, analizamos la invariancia galileana y el carácter lagrangiano del

método de Machado et al. [MBES16]. La idea básica de este método es la invariante galileana,
porque para el caso especial de un campo de espacio-tiempo, la condición del campo vectorial es
paralela a la aceleración $v \| a$ es equivalente a $a=0$. En esta formulación, el método no
depende de la velocidad y.
la aceleración en invariante galileano, sec. (5.1.3). Además, si el algoritmo realmente logra un
ángulo mínimo de cero en todas partes, es decir, converge a la línea de trayectoria más cercana,
entonces el resultado también es invariante galileano si la métrica compara la distancia solo en el
mismo tiempo. Esta observación se desprende de la Sec. (5.1.7) y debido a que las trayectorias y la
aceleración se transforman de la misma manera bajo cambios galileanos del sistema de referencia,
ver Sec. 5.1.6 y Sec. 5.1.3.
Sin embargo, el algoritmo de Machado et al. [MBES16] no puede garantizar esta convergencia a las
trayectorias correspondientes, porque depende del ángulo entre la tangente de aceleración cero y
el campo vectorial, que no es invariante galileano. Ilustramos tal observación usando el ejemplo de
campo vectorial (61). Allí, el ángulo entre la tangente de la línea de aceleración cero y el campo
vectorial en $t=0$ en el espacio de fase es $\angle((-2,1),(0,1))=$ $\arccos (\ nombre del
operador{sqrt}(5) / 5) \aproximadamente 1,11$. Sin embargo, el campo transformado
$$
v^{\prime}(x, t)=x-t+1+t^2
$$
tiene la aceleración
$$
a^{\prime}(x, t)=t^2+t+x
$$
tiene un cero a lo largo de la línea $x_0(t)=-t^2-t$. La tangente allí satisface $\dot{x}_0(t)=-2 t-1$ y
el campo vectorial $v\left(x_0(t), t\right)=-2 t+1$. Por lo tanto, el ángulo entre los dos en $t=0$ en
el espacio de fase es $\angle((-1,1),(1,1))=\pi / 2 \approx 1.57$.
Machado et al. [MBES16], en particular, filtra los lugares iniciales de aceleración cero en función de
un umbral si este ángulo es demasiado grande. Si, por ejemplo, se hubiera elegido que el umbral
fuera 1,2, entonces el campo transformado tendría una línea candidata para refinamiento que
existe para $t=0$, mientras que el campo inicial no la tendría.
En comprensión, aunque la aceleración y sus ceros son invariantes galileanos, el ángulo entre su
tangente y el campo vectorial no lo es. Por tanto, el método de Machado et al. [MBES16] no es
invariante galileano y, especialmente, no es objetivo.
Si el método no converge a una línea de ruta, el resultado no es lagrangiano e incluso si los lugares
iniciales convergen localmente a una línea de ruta, generalmente no formarán líneas de ruta
completas. Por ejemplo,
$$
v(x, y, t)=\left\{\begin{array}{l}
(x,-y)^T, \quad \text { si } t<0, \\
t, \text { más. }
\end{array}\right.
$$
tiene aceleración cero en una región hiperbólica para todos $(0,0, t)$ si $t<0$, pero la aceleración
es constantemente $a=1$ y nunca cero para $t>0$. El refinamiento no cambia nada, porque la
tangente $(0,0,1)$ ya es paralela al campo vectorial en el espacio-tiempo $(0,0,1)$.

Ejemplo 16 El método de Wang et al. [WBPRH17] no encuentra un segundo punto crítico para
anular un punto crítico generalizado para el ejemplo simple (63). Supondremos que, en este caso,
dicho punto crítico se anula con un punto ficticio en el infinito. El campo es tan simple que, para
alcanzar el infinito desde cada punto en su propio sistema de referencia $\tilde{v}(x, y)=v(x, y)-v\
left(x_0, y_0\right)$ , encontraremos una trayectoria monótona en el campo de magnitud de
velocidad adaptada. Por lo tanto, podemos obtener la robustez de la diferencia entre la magnitud
de la velocidad del punto en cuestión, que es cero en su propio marco, y el infinito, que es $\lim
_{\sqrt{x^2+y^2} \ flecha derecha \infty}\left\|v(x, y)-v\left(x_0, y_0\right)\right\|=\left\|v\
left(x_0, y_0\right)\right\|$. Por lo tanto, el máximo de la robustez generalizada también se ubica
en $(0,0)$ como en el Ejemplo 14. Como resultado, el método de Wang et al. [WBPRH17] no
coincide con la topología clásica y no es lagrangiana.
6. Trabajo relacionado más allá de la visualización
El estudio de la topología de flujo dependiente del tiempo va más allá de la literatura sobre
visualización para incluir dinámica de fluidos y sistemas dinámicos, por nombrar algunos. Dado que
el objetivo de la visualización es ayudar a los científicos de aplicaciones a obtener información
sobre sus datos y amplificar la cognición [CMS99], creemos que prestar mucha atención a sus
problemas y soluciones es crucial, porque tienen una comprensión más profunda de su campo. A
menudo, los avances en matemáticas, ciencias e ingeniería inspirarán nuevas técnicas de
visualización. En esta sección proporcionamos algunos ejemplos que creemos que son más
prometedores para avanzar en la topología y visualización del flujo inestable en el futuro.

El contenido de esta sección puede estar fuera de la zona de confort de un investigador de

visualización. Sin embargo, creemos que los avances externos a la visualización, en particular, de la
dinámica de fluidos y los sistemas dinámicos, ofrecen perspectivas inspiradoras sobre la topología
de flujo. Es posible que los profesionales quieran saltarse esta sección en su primera lectura.
6.1. Dinámica de fluidos
En dinámica de fluidos, los científicos suelen tener un enfoque diferente para abordar la
dependencia de la velocidad instantánea del marco de referencia (FOR). Por ejemplo, la
información topológica se suele utilizar para clasificar no sólo los puntos críticos sino también todo
el dominio de un campo, lo que supera la dependencia de los cambios de referencia galileanos y
permite una evaluación estadística. Los científicos también suelen utilizar una descomposición de
Reynolds para separar el flujo en su promedio componente y su desviación, donde el promedio
podría tomarse en el tiempo, en el espacio y en un conjunto.

Quemadura negraet al.y otros utilizan los límites entre regiones con valores propios complejos y
regiones con valores propios reales para segmentar el dominio en regiones coherentes. Chonget
definen los puntos críticos en el flujo 3D como puntos donde la pendiente de la línea de corriente
es indeterminada y la velocidad es cero en relación con un observador apropiado. Clasifican las
líneas de corriente según su comportamiento 2D alrededor de los puntos críticos en los tres
planos de vectores propios. Excluyen explícitamente los marcos giratorios y asumen que el centro
de coordenadas sigue una partícula fluida. Soriaet calculan las invariantes del jacobiano en todas
partes del dominio y detectan una forma de lágrima que parece característica del flujo de fluido
incompresible. Posteriormente, Chacín y Cantwell [CC00] utilizan los invariantes lagrangianos
promediados del Jacobiano a lo largo de líneas de trayectoria para detectar dos regiones separadas
de altas concentraciones. Además, encuentran que los límites entre regiones con valores propios
complejos y aquellas con valores propios reales se correlacionan sólo con regiones de alto estrés
de Reynolds y eventos generadores de energía cinética.
ideaet al.[ISW02] analizan trayectorias hiperbólicas distinguidas. Consideran una trayectoria
hiperbólica si la linealización del flujo a su alrededor tiene un conjunto completo de soluciones que
crecen o decrecen exponencialmente. Una trayectoria es distinguida reside en un barrio
delimitado para siempre mientras todos sus vecinos abandonan este barrio. Si todas las
trayectorias salen del dominio. aplicar una transformación de coordenadas basada en una
estructura euleriana, como un punto crítico. Muestran que no existen trayectorias hiperbólicas
únicas y distinguidas si el campo de flujo se da solo durante un tiempo finito, pero sugieren una
aproximación basada en una extensión artificial del tiempo hasta el infinito utilizando la serie de
Fourier. Muestran que estas trayectorias coinciden con las líneas críticas esperadas en campos
lineales incluso bajo cambios en el marco de referencia. Más tarde Juet sugieren un algoritmo
iterativo para la extracción computacional de estas trayectorias hiperbólicas distinguidas
aproximadas. Branicki y Wiggins [BW09] extiende el algoritmo iterativo al flujo tridimensional.

6.2. Conjuntos casi invariantes

Primero, incluimos algo de literatura sobre formulaciones alternativas de topología de campo de
vector estacionario basada en conjuntos casi de unas invariantes que surgen de sistemas
dinámicos. En la literatura sobre visualización, la topología del campo vectorial se define
principalmente como una segmentación del dominio en regiones de comportamiento
aerodinámico equivalente (o uniforme) en términos de conjuntos "inicial" y "final".
En la literatura sobre visualización, la topología del campo vectorial se define principalmente como
una segmentación del dominio en regiones de comportamiento aerodinámico equivalente (o
uniforme) en términos de conjuntos "inicial" y "final".
Una formulación alternativa que proporciona una segmentación Morse del dominio se basa en la
noción de aislar conjuntos invariantes y aislar conjuntos. Estos conjuntos se pueden clasificar
según su índice de Conley, que corresponde al índice de Poincaré para puntos críticos. Al menos en
el caso de $2 \mathrm{D}$ campos vectoriales, la segmentación resultante está estrechamente
relacionada con el enfoque estándar. Esta formulación tiene la ventaja de que puede generalizarse
más fácilmente a un entorno discreto, como es común en los datos de flujo del mundo real. Por lo
tanto, la formulación da lugar a un cálculo más sólido en la extracción del esqueleto topológico.

En este contexto, el flujo podría interpretarse como un mapeo de una discretización temporal de
un campo vectorial. Dado un campo vectorial estable $v$ en un dominio $X$, el mapa $f: X \
rightarrow X$ describe el movimiento desde un paso de tiempo $t$ al siguiente paso de tiempo
$t+\tau$. Una trayectoria por un punto $x \in X$ es entonces una función $\sigma_x: Z \rightarrow
X$ generada por la aplicación consecutiva de la función $f$, con $\sigma_x(0)=x$ y $\
sigma_x( n+1)=f(x(n))=f^k(x)$. En combinación con una discretización espacial, el campo vectorial
puede representarse mediante un operador de transferencia y expresarse como una matriz de
transferencia. Existe una difusión numérica inherente asociada con el procedimiento de
discretización, y la La noción de conjuntos invariantes es reemplazada por conjuntos casi
invariantes. Por ejemplo, Según esta formulación, las órbitas cerradas están representadas por
conjuntos recurrentes de cadenas portacables. Los puntos críticos son ejemplos para aislar
invariantes.
conjuntos y se pueden representar aislando vecindarios que son robustos con respecto a pequeños
cambios en el campo. Este concepto proporciona la base para varios enfoques algorítmicos. para la
extracción de las estructuras dinámicas de un vector campo calculando una descomposición
"óptima" en casi conjuntos invariantes. Estos son métodos computacionales que pueden
proporcionar información precisa sobre estructuras globales de dinámica no lineal. sistemas y son
rigurosos en el sentido de las matemáticas. pruebas modela el comportamiento del sistema
dinámico como una cadena de Markov de estado finito representada por una matriz de transición.
Su objetivo es dividir la fase. espacio en un número finito de conjuntos conectados Ai con interior
no vacío cubriendo el espacio de fase, que revelan el grano grueso dinámica que muestra la
evolución de los decorados. Describen un algoritmo numérico para detectar "conjuntos casi
invariantes casi óptimos y ciclos". Con respecto a la teoría de campos vectoriales estándar, su La
teoría asume un campo vectorial independiente del tiempo y no es lagrangiana. ni invariante
galileana.

En segundo lugar, analizamos la generalización de conjuntos invariantes a campos vectoriales

dependientes del tiempo, que luego producen características lagrangianas y objetivas. Un intento
de generalizar esta formulación al entorno dependiente del tiempo introduce conjuntos
coherentes en el tiempo que relacionan conjuntos en diferentes pasos de tiempo. El objetivo es
encontrar pares coherentes de subconjuntos $A_t, A_{t+\tau} \subset X$ tales que $\phi\left(A_t, \
tau\right) \simeq A_{t+\tau}$, donde $\ phi$ es el mapa de flujo y $X$ es el dominio o espacio de
fase. Dado que no existe una generalización obvia de la propiedad de ser (casi) invariante, el
principal desafío es definir criterios concisos cuando un conjunto coherente en el tiempo califica
como una característica topológica. En la literatura se han propuesto varios criterios diferentes,
que van desde la coherencia de la forma hasta la estabilidad bajo perturbación. Froyland es al.
proponen definir seres coherentes de tiempo finito como conjuntos mínimamente dispersivos y
máximamente coherentes durante períodos de tiempo finitos. Su teoría se basa en el teorema
ergódico multiplicativo. Más específicamente, estudian pares de conjuntos que permanecen
coherentes bajo pequeñas perturbaciones difusivas del flujo. Para una secuencia dada de mapas
$T_1: X \rightarrow X$, que representan un sistema dinámico, estos son pares de conjuntos $A_t,
A_{t+\tau} \subset X$ donde $A_t \cap T^{-1} \left(A_t, \tau\right)$ es grande. Se proponen
métodos probabilísticos que detectan automáticamente estos conjuntos máximamente
coherentes. Esta condición favorece conjuntos coherentes que sean geométricamente regulares.

Basándose en tales observaciones, extrae conjuntos coherentes analizando el cambio de los límites
del conjunto al adveccionar los conjuntos. El concepto de conjuntos coherentes se basa en las
propiedades de transporte del flujo y, por tanto, tiene una perspectiva lagrangiana. Dado que su
cálculo se basa únicamente en el desarrollo de conjuntos, también es invariante galileano y
objetivo. Sin embargo, la discretización elegida específicamente puede violar la condición
invariante estricta.
6.3. Estructuras coherentes lagrangianas
Haller [Hal15] analiza el trabajo reciente sobre estructuras coherentes lagrangianas (LCS), en el que
rechaza sus enfoques anteriores basados en y promueve líneas y líneas de estiramiento como LCS
Una encuesta que sigue una estructura similar a la nuestra realizada por Hadjighasem analiza y
compara enfoques para identificar LCS. También analiza los métodos en función de sus efectos
matemáticos. propiedades. Señalamos brevemente los más prometedores y menos comunes.
enfoques utilizados para el campo de la visualización. Froyland persigue el objetivo de identificar
barreras a la mezcla, que son localmente los que repelen o atraen más fuerte objetos. Lo central
del método es el análisis del operador de transferencia, que es un operador lineal que proporciona
una descripción global del Acción del flujo sobre las densidades. En la implementación, este
operador se discretiza dando como resultado una matriz de transición de cadena de Markov. Casi
Los conjuntos invariantes corresponden entonces a vectores singulares de esta matriz.

Hadjighasem et al. [HKTH16] construye una matriz de similitud $W \in$ $\mathbb{R}^{n \times n}$
en la que cada entrada $W_{i j}$ es el recíproco de las distancias $L^1$ entre los $ Trayectoria de
partícula i$-ésima y $j$-ésima. Luego, hacen uso de la agrupación espectral para identificar el
número óptimo de agrupaciones buscando la mayor diferencia entre valores propios generalizados
consecutivos en la matriz $D-W$, donde $D$ es la matriz diagonal que contiene las sumas de las
filas de $W$. Luego, usan k-medias para agrupar la matriz $U \in \mathbb{R}^{n \times k}$ de los
primeros vectores propios generalizados en $k+1$ grupos, el adicional representa el fondo
incoherente.
La teoría geodésica de LCS combina LCS hiperbólicas y parabólicas, trayectorias de corte
lagrangiano promedio [FH12, FH13] y LCS elípticas, trayectorias cerradas de deformación promedio
[HBV 13].

Banisch y Koltai [BK17] aplican mapas de difusión a las trayectorias de los conglomerados. Heil et
al. [HRHB17] define la topología de flujo a través de la topología escalar del campo de vorticidad.
Esta noción de topología se aplica a la calle de vórtices de Karman para diferentes números de
Reynolds para comprender mejor la formación de vórtices. Rypina et al. [RSPB11] divide el dominio
en función de diferentes niveles de complejidad (ergodicidad, cobertura espacial).
Algorítmicamente, se cuenta el número de puntos de muestreo en la línea de ruta en celdas. El
tamaño de la celda es un parámetro algorítmico. Una línea de trayectoria se considera un punto
fijo si es un mínimo en el campo de la ergodicidad.

Mancho et al. [MWCM13] proponen un descriptor lagrangiano para sistemas dinámicos

dependientes del tiempo. El descriptor principal se basa en la "longitud de tiempo finito de las
trayectorias de las partículas". Los "cambios abruptos" en la longitud están relacionados con los
límites de la región. El objetivo es revelar y comprender las estructuras organizativas en el espacio
de fases.

7. Oportunidades de investigación futuras

El objetivo de este artículo es identificar desafíos y oportunidades en el estudio de la topología de
flujo dependiente del tiempo. Algunas vías merecen una mayor exploración.
7.1. Aplicaciones, eficacia y exhaustividad
Las propiedades deseables, sus definiciones e interpretaciones son un primer intento, y
probablemente no perfecto, de garantizar el significado físico general de la topología de flujo en
todos los campos de aplicación relacionados. Vemos potencial para ampliaciones y evaluaciones en
estrecha colaboración con los científicos de aplicaciones. Existen muchos métodos de extracción y
visualización de topología, pero no hay mucha información sobre cuáles de ellos son realmente
efectivos en la práctica y para qué tareas.
Faltan estudios que vinculen estos métodos con tareas concretas, lo que constituye una gran
preocupación para los profesionales. En nuestra opinión, una gran oportunidad de investigación es
estudiar trabajos relacionados fuera del campo de la visualización, mediante la comprensión de los
avances y desafíos específicos de las aplicaciones (Sec.6).

Inspeccionando el resumen de nuestros resultados en tablas.1–4, vemos claramente que,

actualmente, ninguna técnica es integral (es decir, satisface todas las propiedades). Los
fundamentos matemáticos asociados con las propiedades analizadas, en particular, sus ventajas y
limitaciones, pueden usarse para construir técnicas novedosas para flujos que varían en el tiempo.
Por ejemplo, consideramos la adaptación del marco de referencia (Sec.4.2) y la categorización de
líneas de ruta (Sec.4.3) son los más prometedores para ser integrales. Quizás haya formas de
combinar los puntos fuertes de estos dos enfoques para generar otros nuevos.
7.2. Visualización de incertidumbre
Una gran oportunidad en la visualización basada en topología, como se señaló por Heine et al.
[HLH 16b], es la incorporación de la incertidumbre. Para campos escalares inciertos, Mihai y
Westermann [MW14] capturan la probabilidad de que ocurran puntos críticos, con respecto a sus
posiciones y tipos en un conjunto. Hütenberger et al. [HHC 13] utiliza el óptimo de Pareto para
predecir las posiciones de Extremos locales para datos multicampo. Gunther et al. [DJJ14]
presentar regiones críticas obligatorias. Favelier et al. [FFST19] visualizar posicionales
incertidumbres de puntos críticos utilizando agrupamiento basado en persistencia. Para campos
vectoriales inciertos, Pfaffelmoser et al. [PMW13] analizar la variabilidad en los campos de
gradiente inducida por campos escalares inciertos. Otto y col. [OGHT10,OGT11] presenta el
muestreo de gradiente de Monte Carlo para visualizar variaciones de líneas de trayectoria en 2D y
3D inciertas campos vectoriales. Bhatia et al. [BJB 12] emplea mapas de bordes para el error
análisis de flujos de gradiente inciertos. Nagraj et al. [NNN11] proponer una medida para
cuantificar la incertidumbre del gradiente para datos de múltiples campos. Para estructuras
topológicas, se utilizan varias técnicas para explorar variaciones estructurales de árboles de
contorno [Kra10,WZ12,ZAM15], fusionar árboles [YWM 20] y complejos Morse-Smale [TLB 11, AMJ
19]. Aparecen características topológicas, en particular, conjuntos de niveles. frecuentemente en
visualización de incertidumbre, incluidos diagramas de caja de contorno [WMK13], cubos de
marcha probabilísticos [PWH11, PH13], y su extracción a partir de datos inciertos
[AE13,ASE16,AJ19].
A pesar de los trabajos existentes para visualizar la incertidumbre escalar campos, campos
vectoriales independientes del tiempo y estructuras topológicas, capturar la topología de flujo
dependiente del tiempo frente a la incertidumbre sigue siendo un área en gran medida
inexplorada. La pregunta es, dado un conjunto de flujos dependientes del tiempo, ¿podemos
cuantificar y visualizar la ¿Incertidumbre topológica de los miembros de su conjunto? Por la
incertidumbre, Nos referimos a información sobre la precisión, confianza y variabilidad. de su
topología dependiente del tiempo.
7.3. Computación y visualización escalables
La escalabilidad en la visualización científica se está volviendo crucial a medida que La cantidad de
datos crece exponencialmente debido a la computación a exaescala. [TSJ 14]. La disponibilidad de
herramientas escalables, de propósito general y herramientas de visualización in situ como
ParaView [FMT 11] y Visualization Toolkit (VTK) [SML06] ha avanzado enormemente en este
campo. Para encontrar aplicaciones en simulaciones de vanguardia en supercomputadoras, Los
métodos recientemente desarrollados deben poder ejecutarse en GPU, en entornos distribuidos, o
in situ. Se han centrado esfuerzos importantes que abordan los problemas de escalabilidad en
cálculos escalables de estructuras topológicas como árboles de contorno [CWSA16, CWS 19],
árboles de fusión [MW13, SM17], y complejos Morse-Smale [SN12, SMN12]. existen algunas obras
en el estudio de campos de flujo mediante la aplicación de agrupamiento, muestreo, distribución y
cálculo paralelo para líneas de trayectoria e isosuperficies. Para Por ejemplo, Ozer et al. [OWS 12]
utiliza un algoritmo de agrupamiento para agrupar funciones interactivas y realizar seguimiento de
funciones en tiempo variable Simulaciones de flujo de fluidos en 3D. Friederici et al. [FKA 19]
propone una algoritmo paralelo distribuido en memoria para muestrear finamente la filtración
función, que se utiliza para estudiar las propiedades estadísticas de turbulentos fluye. Binyahib et
al. [BPNC19] trabaja para paralelizar advección de partículas para visualización de flujo. Manten et
al. [MVO10]
explorar la extracción y el preprocesamiento de datos en la fuente en paralelo y evaluar sus
técnicas de visualización de flujo mediante generación paralela de líneas de trayectoria y
extracción paralela de isosuperficies. Sin embargo, Hasta donde sabemos, algunos trabajos se han
centrado en escalables. cálculo y visualización de tiempo independiente y tiempo independiente
topología de flujo, por ejemplo, la extracción de datos topológicos esqueleto de manera escalable.
Esta vía de investigación podría ser prometedor.
7.4. Aprendizaje automático
El aprendizaje automático está transformando rápidamente el panorama de la ciencia.
visualización. Berger et al. [BLL19] sintetizar y analizar imágenes renderizadas en volumen usando
Generative Adversarial Network (GAN). Hong et al. [HLY19] combina GAN con convolucional Redes
Neuronales (CNN) para sintetizar en alta resolución y de forma perceptiva imágenes auténticas
directamente sin un tradicional explícito tubería de renderizado. Tkachev et al. [TFE19] utiliza
alimentación neuronal Redes para detectar y visualizar comportamientos interesantes en el
espacio-temporal. Volúmenes, para selección y análisis de pasos de tiempo adaptativos. de
similitud de conjunto. Han y Wang [HW20] generan temporal secuencias de volumen variable en el
tiempo de alta resolución desde baja resolución aquellos que utilizan el aprendizaje adversario. Él
y otros. [HWG 20] uso un modelo sustituto basado en aprendizaje profundo para respaldar el
espacio de parámetros exploración para simulaciones de conjuntos que se visualizan in situ.
Integración de enfoques de visualización de flujo dependiente del tiempo con el aprendizaje
automático para idear nuevas técnicas, en nuestra opinión, es una dirección extremadamente
prometedora. Por ejemplo, ¿podemos usar una máquina? aprender a aumentar la explicabilidad

La gran cantidad de documentos en el área es extremadamente difícil, si es posible. – sin detalles

internos. La falta de kits de herramientas verdaderamente completos que incluyen
implementaciones genéricas, robustas y fáciles de usar de sistemas existentes métodos es un
problema clave para su aceptación y adopción. La topología de campo vectorial clásica no se
agregó a la topología. kit de herramientas [TFL 17] hasta 2019, y VTK [SLM04,ABB 10] todavía está
en proceso de integración a partir de ahora. Para acelerar el avance progreso en la topología de
flujo, los investigadores deben ser alentados, respaldados, e incluso recompensado por
proporcionar una implementación completa de sus técnicas permitiendo así la replicación de sus
resultados.
8. Conclusión
En este artículo pretendemos ir más allá de una simple clasificación o taxonomía.
de trabajos existentes, en cambio, proponemos un marco matemáticoque ayuda a explicar,
describir, comparar y discutir técnicas existentes. Si bien las encuestas existentes comparten
algunas parecido con nuestra clasificación basada en los enfoques, nuestra El artículo difiere
significativamente de los trabajos existentes en el sentido de que
Recopilamos metódicamente propiedades matemáticas deseables para interpretar. significado
físico para la visualización del flujo dependiente del tiempo, y correlacionar demostrablemente
tales propiedades con la investigación selectiva documentos. Hasta donde sabemos, esta es la
primera vez que las matemáticas Las pruebas se utilizan para inferir propiedades de visualización
de flujo. de las características de los enfoques existentes, que posteriormente ayudar a interpretar
su significado físico. Después de inspeccionar las obras existentes sobre el flujo dependiente del
tiempo. topología y sus propiedades matemáticas, vemos dos tendencias principales para llenar los
vacíos de investigación existentes: A medida que pasa el tiempo y avanza la investigación, los
métodos propuestos en la comunidad de visualización tiende a satisfacer cada vez más de las
propiedades deseables. Esta tendencia se puede ver en el cambio del rojo. a verde a medida que
avanzamos en las mesas. No existe ningún enfoque actual que satisfaga todas las propiedades
deseables. Los dos enfoques más prometedores hasta el momento son referencia adaptación del
marco, que carece de invariancia lagrangiana; y la categorización de líneas de trayectoria, que no
coincide con la constante topología de campo vectorial. Para el futuro, vemos un gran potencial en
el estudio de las obras de Dinámica de fluidos y sistemas dinámicos para inspirarse en la física.
generalizaciones significativas de la topología de flujo dependiente del tiempo. Además,
observamos lagunas en la investigación al combinar los estudios dependientes del tiempo.
Topología de flujo con incertidumbre, escalabilidad y aprendizaje automático.