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

Resumen Técnico: Ingeniería de Redes Neuronales Híbridas Informadas por Física para Sistemas Eléctricos de Nueva Generación

Enunciado del Problema
El diseño, la supervisión y el control de máquinas y accionamientos eléctricos modernos enfrentan desafíos persistentes relacionados con la escasez de datos, la limitada interpretabilidad de los modelos y la dificultad de hacer cumplir las leyes físicas dentro de enfoques puramente basados en datos. Los métodos tradicionales de aprendizaje automático (ML), aunque efectivos para tareas como el diagnóstico de fallos y la predicción de rendimiento, a menudo funcionan como "cajas negras" que carecen de consistencia física, tienen dificultades para la extrapolación más allá de los datos de entrenamiento y requieren grandes cantidades de datos de alta calidad. Por el contrario, los métodos numéricos tradicionales basados en la física (por ejemplo, el Método de Elementos Finitos) son computacionalmente costosos y a menudo demasiado lentos para aplicaciones en tiempo real, gemelos digitales y optimización rápida de diseños. El artículo identifica una necesidad crítica de conciliar los enfoques basados en datos con las leyes físicas inmutables para crear soluciones robustas, escalables y transparentes para aplicaciones de la Industria 4.0.

Metodología
El artículo presenta una revisión de vanguardia de arquitecturas híbridas de Aprendizaje Automático Informado por Física (PIML), centrándose específicamente en las Redes Neuronales Informadas por Física (PINNs) y sus variantes avanzadas. La metodología implica sintetizar análisis comparativos de estudios de casos publicados y simulaciones para evaluar cómo estos marcos fusionan el aprendizaje basado en datos con la modelización de primeros principios.

Los componentes metodológicos clave revisados incluyen:

• Formulación de la Función de Pérdida: Integrar los residuos de las ecuaciones diferenciales parciales (EDP) gobernantes, como las ecuaciones de Maxwell para campos electromagnéticos y las ecuaciones de Navier-Stokes para la dinámica de fluidos, directamente en la función de pérdida de la red neuronal. Esto asegura que las predicciones se adhieran a las leyes físicas (por ejemplo, conservación de la masa, el momento y la energía) además de ajustar los datos observados.
• Variantes Arquitectónicas: La revisión examina varias arquitecturas avanzadas:
  • Redes de Operadores Profundos (DeepONets) y Operadores Neuronales de Fourier (FNOs): Estas aprenden mapeos entre espacios de funciones en lugar de soluciones punto a punto, ofreciendo invariancia de discretización y la capacidad de manejar problemas de alta dimensión de manera eficiente.
  • PINNs Basadas en Grafos (PIGNNs): Utilizando estructuras de grafos para modelar interdependencias espaciales y mallas irregulares, acomodando datos faltantes y condiciones de frontera variables.
  • PINNs Mejoradas: Incorporando Máquinas de Aprendizaje Extremo (ELMs) para un entrenamiento más rápido, descomposición de dominio (por ejemplo, XPINNs, FBPINNs) para el procesamiento paralelo de dominios complejos y la Teoría de Conexiones Funcionales (TFC) para la imposición analítica de condiciones de frontera.
  • Estrategias de Control Híbridas: Combinando Control Predictivo de Modelo (MPC), Aprendizaje por Refuerzo (RL) y Sistemas de Inferencia Neuro-Fuzzy Adaptativos (ANFIS) con restricciones informadas por física.

Contribuciones Clave
El artículo categoriza los avances recientes en la aplicación de PIML a máquinas y accionamientos eléctricos, ofreciendo un marco integral para investigadores y profesionales. Sus contribuciones principales incluyen:

1. Revisión Sistemática de Arquitecturas: Una taxonomía detallada de métodos PIML (PINNs, PIGNNs, DeepONets, FNOs) y su aplicabilidad específica a componentes de máquinas eléctricas, incluyendo motores de inducción, máquinas síncronas de imanes permanentes (PMSM) y motores de reluctancia conmutada (SRM).
2. Mapeo de Aplicaciones: El artículo asigna técnicas específicas de PIML a tareas críticas de ingeniería, incluyendo:
   • Análisis de Campos: Resolver las ecuaciones de Maxwell para el par electromagnético y la distribución de campos sin depender exclusivamente de solucionadores basados en mallas.
   • Estimación de Rendimiento: Modelos híbridos para estimación de estado e identificación de parámetros en línea/fuera de línea que tienen en cuenta no linealidades como la saturación magnética y la histéresis.
   • Optimización de Diseño: Utilizar PIML para modelado de sustitutos para acelerar la optimización de materiales magnéticos y geometrías, reduciendo la dependencia de elementos de tierras raras.
   • Gemelos Digitales: Integrar PIML en marcos de gemelos digitales para monitoreo en tiempo real, detección de fallos y mantenimiento predictivo.
3. Análisis Comparativo: Una comparación estructurada entre métodos tradicionales de ML (por ejemplo, SVM, Bosques Aleatorios) y enfoques PIML, destacando la superior capacidad de estos últimos para manejar datos escasos, asegurar consistencia física y proporcionar cuantificación de incertidumbre.

Resultados
La evidencia revisada demuestra que PIML ofrece predicciones robustas, escalables y físicamente consistentes en diversos componentes de sistemas eléctricos. Los hallazgos clave incluyen:

• Eficiencia de Datos: Los modelos PIML reducen significativamente la dependencia de grandes conjuntos de datos aprovechando restricciones físicas, haciéndolos efectivos incluso con datos de sensores escasos o ruidosos.
• Eficiencia Computacional: Los enfoques híbridos, particularmente los operadores neuronales y las PINNs descompuestas por dominio, han demostrado el potencial de reducir los tiempos de simulación de horas a milisegundos (por ejemplo, reemplazando simulaciones de elementos finitos con redes de múltiples ramas), habilitando el control y la optimización en tiempo real.
• Generalización: Al incorporar leyes físicas, estos modelos exhiben capacidades mejoradas de generalización y extrapolación, manteniendo la precisión bajo condiciones operativas variables y escenarios no vistos donde los modelos puramente basados en datos a menudo fallan.
• Cuantificación de Incertidumbre: La integración de inferencia bayesiana y marcos probabilísticos dentro de PIML permite una cuantificación rigurosa de la incertidumbre, mejorando la confiabilidad del modelo para aplicaciones críticas para la seguridad.

Significado
El artículo afirma que estos avances señalan un cambio de paradigma desde métodos basados en datos opacos y de "caja negra" hacia estrategias transparentes, de "caja blanca" e informadas por física para sistemas eléctricos de próxima generación. El significado de este trabajo radica en su potencial para:

• Cerrar la Brecha: Conectar la física teórica con aplicaciones industriales, permitiendo el despliegue de ML en entornos donde los datos son limitados o la consistencia física es innegociable.
• Habilitar la Industria 4.0: Facilitar diagnósticos en tiempo real, gemelos digitales y estrategias de control adaptativo esenciales para las redes inteligentes modernas y la fabricación automatizada.
• Optimizar la Sostenibilidad: Apoyar el diseño de máquinas eléctricas más eficientes con un uso reducido de materiales y una gestión mejorada del ciclo de vida.

Los autores concluyen que, aunque persisten desafíos relacionados con la complejidad computacional, la cuantificación de la incertidumbre y el despliegue a escala industrial, la convergencia de la modelización física y el ML avanzado ofrece un camino transformador para el diseño y control de máquinas y accionamientos eléctricos. La investigación futura se dirige hacia el refinamiento de restricciones multi-física, el desarrollo de métodos adaptativos en tiempo real y el fomento de la colaboración interdisciplinaria para estandarizar puntos de referencia y el intercambio de datos.