Processidentifiering med fysikinformerad maskininlärning

Background and goals

Bakgrund

Dentta projekt skulle leda till den tredje i en serie artiklar som vi publicerat, de två tidigare artiklarna har varit av Waller & Espinosa-Leal, 2023: “Approaching simulation-based controller design: heat exchanger case study” och Waller, Espinosa-Leal & Roos, 2024 “Heating system case study for simulation-based control system analysis”. Inledande försök att integrera fysikinformerade neurala nätverk har utförts även i en kurs för Smarta system, Roos, 2023: “Mass- och energibalanser”.

För den tredje artikeln i serien har vi valt som tema fysikinformerad maskininlärning som tema, speciellt då vi tänkt använda förstärkningsinlärning (eng. reinforcement learning) för den fjärde artikeln i serien. För förstärkningsinlärningen behöver vi en simulerad miljö som motsvarar verkligheten så bra som möjligt för dess inlärning. Denna ansökan berör endast den tredje artikeln i serien.

Mål

Utveckla en fysikinformerad modell för att identifiera och förstå en värmeprocess.
1. Integrera processidentifieringstekniken för att identifiera värmeprocessen.
2. Utföra inlärning och jämförelser mellan olika fysikinformerade modeller och traditionella metoder för att utvärdera dess noggrannhet.
3. Utforska möjligheten att använda den utvecklade modellen för framtida forskning att optimera och styra värmeprocessen med förstärkningsinlärning. (Detta mål berör följande
artikel)

Objectives and benefits

Projektets vision är att uttöka kunskapen om fysikinformerad maskinlärning för både personal och studerande i Arcada, den fysikinformerade maskininlärningen anses utgöra en väsentlig del av digitaliseringen av industrin och utvecklandet av konceptet kring digitala tvillingar.

Results

Förväntade resultat
1. En tränad fysikinformerad modell för processidentifiering i värmeprocessen.
2. Jämförelser mellan fysikinformerade modellen och traditionella metoder för processidentifiering.

Societal impact

Denna forskning förväntas bidra till förbättrad förståelse och kontroll av energitekniskt relevanta värmeprocesser genom att använda fysikinformerad neurala nätverk. Resultaten kan tillämpas inom olika industrisektorer, inklusive energiproduktion, klimatkontroll och materialtillverkning, för att optimera processer och minska energiförbrukningen.

Av Arcadas strategiska forskningsområden har ansökan en direkt koppling till pålitlig AI och big data samt hållbara energilösningar. Fysikinformerad maskininlärning anses ha en stor betydelse för digitala tvillingar och är därmed ett viktigt forskningsområde för Arcada.

Abstract

Detta projekt använder fysikinformerad maskininlärning för processidentifiering i en värmeprocess. Målet är att skapa en modell som förutser komplexa systembeteenden med hänsyn till fysikaliska principer. Det neurala nätverket kompletterar unika beteenden och störningar som de fysikaliska principerna inte kan fullständigt beskriva. Genom detta strävar vi efter en robust modell för att identifiera värmeprocessens dynamik.