Physics-informed echo state networks for modeling controllable dynamical systems

Detalhes bibliográficos
Autor(a) principal: Mochiutti, Eric
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/254136
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2023.
id UFSC_52d2173ba020bb61ef6f490e0a366286
oai_identifier_str oai:repositorio.ufsc.br:123456789/254136
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Physics-informed echo state networks for modeling controllable dynamical systemsEngenharia de sistemasAprendizado do computadorRedes neurais (Computação)Identificação de sistemasDissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2023.Redes Neurais com Estados de Eco (ESNs) são redes neurais recorrentes em que apenas a camada de saída linear instantânea é treinada puramente a partir de dados. Portanto, proporcionam facilidade no treinamento para modelar sistemas dinâmicos não lineares, o que pode ser usado em aplicações de controle, por exemplo. Ao incorporar leis físicas no treinamento das ESNs, as Redes de Estados de Eco Informadas por Física (PI-ESNs) foram propostas na literatura, inicialmente para modelar sistemas dinâmicos caóticos sem entradas externas. Isso resulta em uma rede que requer menos dados para treinamento, ao ser regularizada pelas informações das Equações Diferenciais Ordinárias (ODEs) durante o treinamento. Nesta dissertação, é proposta uma PI-ESN com entradas externas, que pode ser usada para modelar sistemas dinâmicos não lineares controláveis. Adicionalmente, um método autoadaptativo que equilibra as funções de custo da literatura é implementado e integrado à PI-ESN proposta (PI-ESN-a), servindo para balancear as contribuições do termo de regressão residual e do termo de perda informada por física. O desempenho dessa arquitetura foi avaliado em dois sistemas não lineares modelados por ODEs: o oscilador de Van der Pol, conhecido por seu comportamento auto-oscilatório, e o sistema de quatro tanques, comumente usado em testes de sistemas de controle multivariável. Também foi conduzida uma análise para um sistema modelado por Equações Diferenciais Algébricas (DAE), representando uma Bomba Elétrica Submersível (ESP) usada para elevação artificial em poços de petróleo e gás. Uma análise comparativa entre a PI-ESN-a e uma ESN convencional revelou que o erro de previsão diminui para a primeira, especialmente em cenários com disponibilidade limitada de dados. Além disso, constatou-se que o tempo de execução da PI-ESN é ordens de magnitude menor do que os métodos numéricos tradicionais para resolver DAEs.Abstract: Echo State Networks (ESNs) are recurrent neural networks where only a linear instantaneous readout output layer is trained purely from data. Thus, they provide ease of training for modeling nonlinear dynamical systems, which can be used for control applications, for instance. By incorporating physical laws into ESN's training, Physics-Informed Echo State Networks (PI-ESNs) were proposed in the literature, initially for modeling chaotic dynamic systems without external inputs. This results in a network which needs less data to train, as it is regularized by the information from Ordinary Differential Equations (ODEs) during its training. In this dissertation, a PI-ESN with external inputs is proposed, which can be used to model controllable nonlinear dynamical systems. In addition, a self-adaptive weighting loss method from the literature is implemented and integrated into the proposed PI-ESN, serving to balance the contributions of the residual regression term and the physics-informed loss term (PI-ESN-a). The performance of this architecture was evaluated for two nonlinear systems modeled by ODEs: the Van der Pol oscillator, known for its self-oscillatory behavior, and the four-tank system, standard in multivariable control system tests. Additionally, a system modeled by Differential Algebraic Equations (DAE), representing a Submersible Electric Pump (ESP) used for artificial lift in oil and gas wells, was assessed. Comparative analysis between the proposed PI-ESN and a conventional ESN showed that the prediction error decreases for the former, especially in scenarios with limited data availability. Furthermore, the runtime of the PI-ESN was found to be orders of magnitude lower than traditional numerical methods for solving DAEs.Antonelo, Eric AislanCamponogara, EduardoUniversidade Federal de Santa CatarinaMochiutti, Eric2024-01-30T23:22:49Z2024-01-30T23:22:49Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis85 p.| gráfs.application/pdf385984https://repositorio.ufsc.br/handle/123456789/254136engreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2024-02-08T11:18:32Zoai:repositorio.ufsc.br:123456789/254136Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732024-02-08T11:18:32Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Physics-informed echo state networks for modeling controllable dynamical systems
title Physics-informed echo state networks for modeling controllable dynamical systems
spellingShingle Physics-informed echo state networks for modeling controllable dynamical systems
Mochiutti, Eric
Engenharia de sistemas
Aprendizado do computador
Redes neurais (Computação)
Identificação de sistemas
title_short Physics-informed echo state networks for modeling controllable dynamical systems
title_full Physics-informed echo state networks for modeling controllable dynamical systems
title_fullStr Physics-informed echo state networks for modeling controllable dynamical systems
title_full_unstemmed Physics-informed echo state networks for modeling controllable dynamical systems
title_sort Physics-informed echo state networks for modeling controllable dynamical systems
author Mochiutti, Eric
author_facet Mochiutti, Eric
author_role author
dc.contributor.none.fl_str_mv Antonelo, Eric Aislan
Camponogara, Eduardo
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Mochiutti, Eric
dc.subject.por.fl_str_mv Engenharia de sistemas
Aprendizado do computador
Redes neurais (Computação)
Identificação de sistemas
topic Engenharia de sistemas
Aprendizado do computador
Redes neurais (Computação)
Identificação de sistemas
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023
2024-01-30T23:22:49Z
2024-01-30T23:22:49Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 385984
https://repositorio.ufsc.br/handle/123456789/254136
identifier_str_mv 385984
url https://repositorio.ufsc.br/handle/123456789/254136
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 85 p.| gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808651897695895552

Registros relacionados