Data-Driven Surrogate Models for Agromaritime Applications: Finite Element-Neural Network Integration

Resumen Técnico: Modelos Sustitutos Basados en Datos para Aplicaciones Agromarítimas: Integración FEM-Redes Neuronales

1. Planteamiento del Problema

Los sistemas agromarítimos enfrentan desafíos críticos relacionados con la gestión de la calidad del agua, el transporte de salinidad, la dispersión de nutrientes y la dinámica de flujo. La modelización precisa de estos procesos es vital para prácticas agrícolas y costeras resilientes.

• Limitaciones actuales: Los métodos tradicionales basados en Ecuaciones Diferenciales Parciales (EDP), como el Método de Elementos Finitos (FEM), ofrecen alta precisión física pero son computacionalmente costosos. Esto dificulta su uso en estudios paramétricos extensos, exploración de escenarios o toma de decisiones en tiempo real.
• Necesidad: Se requiere un enfoque que combine la fiabilidad física del FEM con la adaptabilidad y velocidad de los modelos basados en datos (IA) para predecir el transporte de nutrientes y la distribución de salinidad de manera eficiente.

2. Metodología Propuesta

El artículo presenta un marco híbrido que integra el Método de Elementos Finitos (FEM), la Descomposición Ortogonal Propia (POD) y Redes Neuronales (NN). El flujo de trabajo se divide en las siguientes etapas:

• Formulación Matemática: Se utiliza la ecuación de difusión-reacción en estado estacionario:
  $$-\nabla \cdot (\kappa \nabla u) + \beta u = f$$
  Donde $u$ es la concentración de soluto (salinidad/nutrientes), $\kappa$ es el coeficiente de difusión, $\beta$ el coeficiente de reacción y $f$ la fuente. Se aplican condiciones de frontera de Dirichlet.
• Generación de Datos (FEM): Se resuelve el sistema FEM para 500 muestras de parámetros aleatorios ($\kappa$, $\beta$, $q_{in}$) en un dominio rectangular. Esto genera una matriz de "instantáneas" (snapshots) de alta fidelidad.
• Reducción de Dimensionalidad (POD): Se aplica la Descomposición Ortogonal Propia (equivalente a la Descomposición en Valores Singulares o SVD) a la matriz de instantáneas.
  • Se seleccionan los modos dominantes que capturan el 99.9% de la energía del sistema.
  • En este estudio, 4 modos fueron suficientes para representar la dinámica principal, reduciendo drásticamente la dimensión del espacio de soluciones.
• Entrenamiento del Sustituto (Red Neuronal):
  • Se entrena una red neuronal feedforward (2 capas ocultas con 100 neuronas cada una, activación tangente hiperbólica) para mapear los parámetros de entrada ($\mu = [\kappa, \beta, q_{in}]$) a los coeficientes POD reducidos.
  • La red se entrena minimizando el error cuadrático medio entre los coeficientes reales y los predichos.
• Reconstrucción: Para nuevos parámetros, la NN predice los coeficientes, los cuales se combinan con los modos POD para reconstruir la solución aproximada $u_{NN}$.

3. Contribuciones Clave

• Marco Híbrido FEM-POD-NN: Desarrollo de un modelo sustituto que aprovecha la estructura física del FEM (a través de la base POD) para guiar el aprendizaje de la red neuronal, reduciendo la necesidad de grandes volúmenes de datos en comparación con métodos puramente basados en datos (como PINNs o DeepONets).
• Eficiencia Computacional: Logro de una aceleración masiva en el tiempo de cálculo sin sacrificar completamente la precisión física.
• Aplicabilidad Agromarítima: Validación del método para problemas de transporte de salinidad y nutrientes, demostrando su utilidad para la gestión sostenible y la screening rápida de escenarios.

4. Resultados Numéricos

Los experimentos se realizaron en un dominio de $[0,10] \times [0,5]$ con una malla de $200 \times 100$.

• Precisión:
  • Error relativo medio $L_2$: ~15.22% (comparado con la solución FEM de referencia).
  • Error mediano: 15.33%.
  • Error máximo: 33.29%.
  • Nota: Los errores más altos (>60% en casos extremos) ocurren cerca de los límites del espacio de parámetros o en regiones con gradientes agudos, pero el error promedio es aceptable para estudios de tendencias.
• Rendimiento (Velocidad):
  • Tiempo promedio FEM: 5.85 segundos.
  • Tiempo promedio NN: 0.006 segundos.
  • Factor de aceleración: 956x.
• Análisis de Modos: Se demostró que los primeros 4 modos POD capturan el 99.9% de la energía, validando la eficacia de la reducción de dimensionalidad.

5. Significado y Conclusión

El estudio demuestra que la integración de métodos numéricos tradicionales con técnicas de aprendizaje automático es viable y altamente beneficiosa para sistemas agromarítimos.

• Ventaja Principal: Ofrece un equilibrio óptimo entre la fiabilidad física (garantizada por la base FEM/POD) y la eficiencia computacional (proporcionada por la NN).
• Impacto: Permite realizar estudios paramétricos y exploración de escenarios en tiempo casi real, algo imposible con solvers FEM puros.
• Limitaciones y Futuro: El modelo actual se basa en una ecuación de difusión-reacción en estado estacionario en un dominio simple. El trabajo futuro se centrará en extender el marco a sistemas completos de advección-dispersión-reacción (ADRE) con geometrías más complejas y condiciones de flujo no estacionarias, lo que es crucial para sistemas estuarinos y acuíferos a gran escala.

En resumen, este enfoque proporciona una herramienta prometedora para la gestión sostenible de recursos hídricos y agrícolas, permitiendo una toma de decisiones más ágil basada en datos físicos rigurosos.