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

Résumé technique : Conception de réseaux de neurones hybrides à base physique pour les systèmes électriques de nouvelle génération

Énoncé du problème
La conception, la surveillance et le contrôle des machines et entraînements électriques modernes font face à des défis persistants liés à la rareté des données, à l'interprétabilité limitée des modèles et à la difficulté d'imposer les lois physiques au sein d'approches purement basées sur les données. Les méthodes d'apprentissage automatique (ML) traditionnelles, bien que efficaces pour des tâches telles que le diagnostic de pannes et la prédiction de performance, fonctionnent souvent comme des « boîtes noires » dépourvues de cohérence physique, peinent à extrapoler au-delà des données d'entraînement et nécessitent d'énormes quantités de données de haute qualité. À l'inverse, les méthodes numériques traditionnelles basées sur la physique (par exemple, la méthode des éléments finis) sont coûteuses en calcul et souvent trop lentes pour les applications en temps réel, les jumeaux numériques et l'optimisation rapide de la conception. L'article identifie un besoin critique de concilier les approches basées sur les données avec les lois physiques immuables afin de créer des solutions robustes, évolutives et transparentes pour les applications de l'Industrie 4.0.

Méthodologie
L'article présente un état de l'art des architectures hybrides d'apprentissage automatique à base physique (PIML), en se concentrant spécifiquement sur les réseaux de neurones à base physique (PINN) et leurs variantes avancées. La méthodologie consiste à synthétiser des analyses comparatives d'études de cas publiées et de simulations pour évaluer comment ces cadres fusionnent l'apprentissage basé sur les données avec la modélisation par premiers principes.

Les composants méthodologiques clés examinés comprennent :

• Formulation de la fonction de perte : Intégration des résidus des équations aux dérivées partielles (EDP) régissant, telles que les équations de Maxwell pour les champs électromagnétiques et les équations de Navier-Stokes pour la dynamique des fluides, directement dans la fonction de perte du réseau de neurones. Cela garantit que les prédictions respectent les lois physiques (par exemple, la conservation de la masse, de la quantité de mouvement et de l'énergie) en plus de s'ajuster aux données observées.
• Variantes architecturales : L'examen porte sur plusieurs architectures avancées :
  • Réseaux d'opérateurs profonds (DeepONets) et opérateurs de réseaux de Fourier (FNOs) : Ces modèles apprennent des mappings entre des espaces de fonctions plutôt que des solutions point par point, offrant une invariance de discrétisation et la capacité de traiter efficacement des problèmes de haute dimension.
  • PINN basés sur des graphes (PIGNNs) : Utilisation de structures de graphes pour modéliser les interdépendances spatiales et les maillages irréguliers, permettant de gérer les données manquantes et les conditions aux limites variables.
  • PINN améliorés : Incorporation de machines d'apprentissage extrêmes (ELM) pour un entraînement plus rapide, de décomposition de domaine (par exemple, XPINN, FBPINN) pour le traitement parallèle de domaines complexes, et de la théorie des connexions fonctionnelles (TFC) pour l'imposition analytique des conditions aux limites.
  • Stratégies de contrôle hybrides : Combinaison du contrôle prédictif modèle (MPC), de l'apprentissage par renforcement (RL) et des systèmes d'inférence neuro-flous adaptatifs (ANFIS) avec des contraintes à base physique.

Contributions clés
L'article catégorise les avancées récentes dans l'application du PIML aux machines et entraînements électriques, offrant un cadre complet pour les chercheurs et les praticiens. Ses contributions principales incluent :

1. Examen systématique des architectures : Une taxonomie détaillée des méthodes PIML (PINN, PIGNN, DeepONet, FNO) et de leur applicabilité spécifique aux composants de machines électriques, notamment les moteurs à induction, les machines synchrones à aimants permanents (PMSM) et les moteurs à réluctance commutée (SRM).
2. Cartographie des applications : L'article associe des techniques PIML spécifiques à des tâches d'ingénierie critiques, notamment :
   • Analyse de champ : Résolution des équations de Maxwell pour le couple électromagnétique et la distribution de champ sans dépendre uniquement de solveurs basés sur le maillage.
   • Estimation de performance : Modèles hybrides pour l'estimation d'état et l'identification de paramètres en ligne/hors ligne tenant compte des non-linéarités telles que la saturation magnétique et l'hystérésis.
   • Optimisation de la conception : Utilisation du PIML pour la modélisation de substitution afin d'accélérer l'optimisation des matériaux et géométries magnétiques, réduisant la dépendance aux éléments de terres rares.
   • Jumeaux numériques : Intégration du PIML dans des cadres de jumeaux numériques pour la surveillance en temps réel, la détection de pannes et la maintenance prédictive.
3. Analyse comparative : Une comparaison structurée entre les méthodes ML traditionnelles (par exemple, SVM, forêts aléatoires) et les approches PIML, mettant en évidence la capacité supérieure de ces dernières à gérer des données éparses, à assurer la cohérence physique et à fournir une quantification de l'incertitude.

Résultats
Les preuves examinées démontrent que le PIML fournit des prédictions robustes, évolutives et physiquement cohérentes à travers divers composants de systèmes électriques. Les résultats clés incluent :

• Efficacité des données : Les modèles PIML réduisent considérablement la dépendance aux grands ensembles de données en exploitant les contraintes physiques, les rendant efficaces même avec des données de capteurs éparses ou bruyantes.
• Efficacité computationnelle : Les approches hybrides, en particulier les opérateurs neuronaux et les PINN à décomposition de domaine, ont montré le potentiel de réduire les temps de simulation de plusieurs heures à quelques millisecondes (par exemple, en remplaçant les simulations par éléments finis par des réseaux multi-branched), permettant un contrôle et une optimisation en temps réel.
• Généralisation : En intégrant les lois physiques, ces modèles présentent des capacités améliorées de généralisation et d'extrapolation, maintenant la précision dans des conditions de fonctionnement variables et des scénarios inédits où les modèles purement basés sur les données échouent souvent.
• Quantification de l'incertitude : L'intégration de l'inférence bayésienne et des cadres probabilistes au sein du PIML permet une quantification rigoureuse de l'incertitude, renforçant la fiabilité des modèles pour les applications critiques pour la sécurité.

Signification
L'article affirme que ces avancées signalent un changement de paradigme, passant de méthodes basées sur les données opaques et de type boîte noire vers des stratégies transparentes, de type boîte blanche et à base physique pour les systèmes électriques de nouvelle génération. La signification de ce travail réside dans son potentiel pour :

• Combler le fossé : Relier la physique théorique aux applications industrielles, permettant le déploiement du ML dans des environnements où les données sont limitées ou où la cohérence physique est non négociable.
• Permettre l'Industrie 4.0 : Faciliter le diagnostic en temps réel, les jumeaux numériques et les stratégies de contrôle adaptatif essentiels aux réseaux intelligents modernes et à la fabrication automatisée.
• Optimiser la durabilité : Soutenir la conception de machines électriques plus efficaces avec une réduction de l'utilisation des matériaux et une amélioration de la gestion du cycle de vie.

Les auteurs concluent que, bien que des défis concernant la complexité computationnelle, la quantification de l'incertitude et le déploiement à l'échelle industrielle subsistent, la convergence de la modélisation physique et du ML avancé offre une voie transformative pour la conception et le contrôle des machines et entraînements électriques. Les recherches futures sont orientées vers le raffinement des contraintes multi-physiques, le développement de méthodes adaptatives en temps réel et la promotion de collaborations interdisciplinaires pour standardiser les benchmarks et le partage de données.