Engineering Hybrid Physics-Informed Neural Networks for Next-Generation Electricity Systems: A State-of-the-Art Review

ملخص تقني: هندسة الشبكات العصبية الهجينة الموجهة بالفيزياء لأنظمة الكهرباء من الجيل التالي

بيان المشكلة
تواجه عمليات تصميم ومراقبة وتحكم الآلات والمحركات الكهربائية الحديثة تحديات مستمرة تتعلق بندرة البيانات، ومحدودية التفسير الفيزيائي للنماذج، وصعوبة فرض القوانين الفيزيائية ضمن النهج المعتمدة كلياً على البيانات. فأساليب تعلم الآلة (ML) التقليدية، رغم فعاليتها في مهام مثل تشخيص الأعطال والتنبؤ بالأداء، غالباً ما تعمل كـ "صناديق سوداء" تفتقر إلى الاتساق الفيزيائي، وتواجه صعوبة في الاستقراء خارج نطاق بيانات التدريب، وتتطلب كميات هائلة من البيانات عالية الجودة. وفي المقابل، فإن الطرق العددية التقليدية القائمة على الفيزياء (مثل طريقة العناصر المحدودة - FEM) مكلفة حاسوبياً وغالباً ما تكون بطيئة جداً للتطبيقات في الوقت الفعلي، أو التوائم الرقمية، أو التحسين السريع للتصميم. وتحدد الورقة حاجة ماسة للتوفيق بين النهج المعتمدة على البيانات وبين القوانين الفيزيائية الثابتة لإنشاء حلول قوية وقابلة للتوسع وشفافة لتطبيقات الثورة الصناعية الرابعة (Industry 4.0).

المنهجية
تقدم الورقة مراجعة لأحدث ما توصل إليه العلم في بنيات التعلم الآلي الموجه بالفيزياء (PIML)، مع التركيز بشكل خاص على الشبكات العصبية الموجهة بالفيزياء (PINNs) ومتغيراتها المتقدمة. تتضمن المنهجية تركيب وتحليل مقارن لدراسات الحالة والمحاكاة المنشورة لتقييم كيفية دمج هذه الأطر للتعلم المعتمد على البيانات مع النمذجة القائمة على المبادئ الأولية.

تشمل المكونات المنهجية الرئيسية التي تمت مراجعتها ما يلي:

• صياغة دالة الخسارة (Loss Function): دمج بقايا المعادلات التفاضلية الجزئية الحاكمة (PDEs)، مثل معادلات ماكسويل للمجالات الكهرومغناطيسية ومعادلات نافييه-ستوكس لديناميكا السوائل، مباشرة في دالة الخسارة للشبكة العصبية. يضمن ذلك التزام التنبؤات بالقوانين الفيزيائية (مثل حفظ الكتلة والزخم والطاقة) جنباً إلى جنب مع ملاءمة البيانات المرصودة.
• المتغيرات الهيكلية: تراجع المراجعة عدة بنيات متقدمة:
  • شبكات العمليات العميقة (DeepONets) وعوامل فوريه العصبية (FNOs): تتعلم هذه الشبكات الخرائط بين فضاءات الدوال بدلاً من الحلول النقطية، مما يوفر ثباتاً تجاه التجزئة (discretization invariance) والقدرة على التعامل مع المشكلات عالية الأبعاد بكفاءة.
  • الشبكات العصبية الموجهة بالفيزياء القائمة على الرسوم البيانية (PIGNNs): استخدام هياكل الرسوم البيانية لنمذجة التبعيات المكانية والشبكات غير المنتظمة، مما يسمح باستيعاب البيانات المفقودة والشروط الحدية المتغيرة.
  • الشبكات العصبية المحسنة (Enhanced PINNs): دمج آلات التعلم المتطرفة (ELMs) لسرعة التدريب، وتفكيك النطاق (مثل XPINNs و FBPINNs) للمعالجة المتوازية للنطاقات المعقدة، ونظرية الاتصالات الوظيفية (TFC) لفرض الشروط الحدية تحليلياً.
  • استراتيجيات التحكم الهجينة: الجمع بين التحكم التنبئي بالنماذج (MPC)، والتعلم التعزيزي (RL)، ونظم الاستدلال العصبي الضبابي التكيفي (ANFIS) مع القيود الموجهة بالفيزياء.

المساهمات الرئيسية
تصنف الورقة التطورات الأخيرة في تطبيق التعلم الآلي الموجه بالفيزياء (PIML) على الآلات والمحركات الكهربائية، مقدمة إطاراً شاملاً للباحثين والممارسين. وتشمل مساهماتها الأساسية ما يلي:

1. مراجعة منهجية للبنيات: تصنيف تفصيلي لطرق الـ PIML (مثل PINNs، PIGNNs، DeepONets، FNOs) ومدى قابليتها للتطبيق المحدد على مكونات الآلات الكهربائية، بما في ذلك المحركات الحثية، والآلات التزامنية ذات المغناطيس الدائم (PMSM)، ومحركات الممانعة المتغيرة (SRMs).
2. رسم خرائط التطبيقات: تربط الورقة تقنيات PIML محددة بمهام هندسية حرجة، تشمل:
   • تحليل المجال: حل معادلات ماكسويل لعزم الدوران الكهرومغناطيسي وتوزيع المجال دون الاعتماد كلياً على الحلول القائمة على الشبكات (mesh-based solvers).
   • تقدير الأداء: النماذج الهجيبة لتقدير الحالة والتعرف على المعلمات عبر الإنترنت (online) أو خارج الإنترنت (offline) مع مراعاة اللاخطية مثل التشبع المغناطيسي والتباطؤ (hysteresis).
   • تحسين التصميم: استخدام PIML لنمذجة البدائل (surrogate modeling) لتسريع عملية تحسين المواد المغناطيسية والهندسة، مما يقلل الاعتماد على العناصر الأرضية النادرة.
   • التوائم الرقمية: دمج PIML في أطر التوأم الرقمي للمراقبة في الوقت الفعلي، وكشف الأعطال، والصيانة التنبؤية.
3. التحليل المقارن: مقارنة هيكلية بين أساليب تعلم الآلة التقليدية (مثل SVMs و Random Forests) ونهج PIML، مع تسليط الضوء على قدرة الأخيرة المتفوقة على التعامل مع البيانات الشحيحة، وضمان الاتساق الفيزيائي، وتوفيد تقدير عدم اليقين.

النتائج
تظهر الأدلة التي تمت مراجعتها أن الـ PIML يقدم تنبؤات قوية وقابلة للتوسع ومتسقة فيزيائياً عبر مختلف مكونات الأنظمة الكهربائية. وتشمل النتائج الرئيسية ما يلي:

• كفاءة البيانات: تقلل نماذج PIML بشكل كبير من الاعتماد على مجموعات البيانات الضخمة من خلال الاستفادة من القيود الفيزيائية، مما يجعلها فعالة حتى مع بيانات المستشعرات الشحيحة أو المشوشة.
• الكفاءة الحاسوبية: أظهرت النهج الهجينة، وخاصة العوامل العصبية والشبكات الموزعة على النطاقات، القدرة على تقليل أوقات المحاكاة من ساعات إلى ميلي ثانية (على سبيل المثال، استبدال محاكاة العناصر المحدودة بشبكات متعددة الفروع)، مما يتيح التحكم والتحسين في الوقت الفعلي.
• التعميم: من خلال دمج القوانين الفيزيائية، تظهر هذه النماذج قدرة محسنة على التعميم والاستقراء، حيث تحافظ على دقتها تحت ظروف تشغيل متغيرة وسيناريوهات غير مرئية حيث تفشل النماذج المعتمدة على البيانات وحدها.
• تقدير عدم اليقين: يسمح دمج الاستدلال البايزي والأطر الاحتمالية داخل PIML بتقدير صارم لعدم اليقين، مما يعزز موثوقية النموذج في التطبيقات الحرجة للسلامة.

الأهمية
تزعم الورقة أن هذه التطورات تمثل تحولاً جذرياً من أساليب تعلم الآلة الغامضة (الصندوق الأسود) نحو استراتيجيات شفافة (الصندوق الأبيض) موجهة بالفيزياء لأنظمة الكهرباء من الجيل التالي. تكمن أهمية هذا العمل في قدرته على:

• جسر الفجوة: الربالط بين الفيزياء النظرية والتطبيقات الصناعية، مما يسمح بنشر تعلم الآلة في البيئات التي تكون فيها البيانات محدودة أو حيث يكون الاتساق الفيزيائي أمراً لا يقبل المساومة.
• تمكين الثورة الصناعية الرابعة: تسهيل التشخيص في الوقت الفعلي، والتوائم الرقمية، واستراتيجيات التحكم التكيفي الضرورية للشبكات الذكية الحديثة والتصنيع المؤتمت.
• تحسين الاستدامة: دعم تصميم آلات كهربائية أكثر كفاءة مع تقليل استخدام المواد وتحسين إدارة دورة الحياة.

يخلص المؤلفون إلى أنه بينما لا تزال التحديات المتعلقة بالتعقيد الحاسوبي، وتقدير عدم اليقين، والنشر على النطاق الصناعي قائمة، فإن التقارب بين النمذجة الفيزيائية والتعلم الآلي المتقدم يوفر مساراً تحويلياً لتصميم وتحكم الآلات والمحركات الكهربائية. ويتجه البحث المستقبلي نحو صقل القيود متعددة الفيزياء، وتطوير الأساليب التكيفية في الوقت الفعلي، وتعزيز التعاون بين التخصصات لتوحيد المعايير ومشاركة البيانات.