⚡ electrical engineering

Time-Input State-Aware Calibration of Computer Models of Engineering Systems

यह शोध पत्र टाइम-इनपुट स्टेट-अवेयर कैलिब्रेशन (TISAC) प्रस्तुत करता है, जो एक नवीन ढांचा है जो समयबद्ध रूप से सहसंबंधित, अवस्था-परिवर्तित परिचालन स्थितियों के तहत अनिश्चित मापदंडों और विसंगति पूर्वाग्रह का अनुमान लगाकर इंजीनियरिंग मॉडलों को कैलिब्रेट करने के लिए सह-विकसित न्यूरल नेटवर्क और भौतिक बाधाओं का उपयोग करता है।

मूल लेखक: Aryan Panchal, Fatih Canpolat, Abdul Mohammed, Sez Russcher

प्रकाशित 2026-08-10

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aryan Panchal, Fatih Canpolat, Abdul Mohammed, Sez Russcher

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह भविष्यवाणी करने की कोशिश कर रहे हैं कि एक कार तूफान में कैसे चलेगी। आपके पास एक आदर्श भौतिकी (physics) की पाठ्यपुस्तक है जो बताती है कि इंजन, टायर और हवा कैसे काम करते हैं। लेकिन जब आप उस पाठ्यपुस्तक का उपयोग करके कार के वास्तविक पथ की भविष्यवाणी करने का प्रयास करते हैं, तो यह बार-बार गलत साबित होती है। क्यों? क्योंकि वह पाठ्यपुस्तक मानती है कि टायर हमेशा नए होते हैं और इंजन हमेशा एक स्थिर तापमान पर चलता है। वास्तव में, जैसे-जैसे आप गाड़ी चलाते हैं, टायर घिसते जाते हैं (जो अवस्था/state के साथ बदलता है) और जैसे-जैसे इंजन चलता रहता है, वह गर्म होता जाता है (जो समय/time के साथ बदलता है)। यही मॉडल कैलिब्रेशन (model calibration) का सार है: कंप्यूटर मॉडल के "नॉब्स" (इसके पैरामीटर्स) को ट्यून करने की कला ताकि उनकी भविष्यवाणियाँ वास्तविक दुनिया में जो हम देखते हैं, उससे मेल खा सकें। दशकों से, वैज्ञानिक एक पेचीदा समस्या से जूझ रहे हैं: जब कोई मॉडल गलत होता है, तो क्या यह इसलिए है क्योंकि नॉब्स को गलत नंबरों पर सेट किया गया है, या इसलिए कि मॉडल में पहेली का कोई हिस्सा गायब है? यदि आप यह नहीं समझते हैं, तो आप उस नॉब को घुमा सकते हैं जिसे घुमाने की आवश्यकता ही नहीं थी, या आप मॉडल की किसी कमी को पूरी तरह से अनदेखा कर सकते हैं।

यह शोध पत्र इन मॉडलों को ठीक करने का एक नया, चतुर तरीका पेश करता है जिसे टाइम-इनपुट स्टेट-अवेयर कैलिब्रेशन (TISAC) कहा जाता है। इसे एक स्थिर मानचित्र से लाइव, जीपीएस-निर्देशित नेविगेशन सिस्टम में अपग्रेड करने के रूप में सोचें जो चलते समय सीखता है। शोधकर्ताओं, आर्यन पंचाल और क्लेमसन यूनिवर्सिटी की उनकी टीम ने एक ऐसा सिस्टम बनाया है जो केवल एक संख्या का अनुमान नहीं लगाता; बल्कि यह पता लगाता है कि एक नॉब को दो चीजों के आधार पर क्षण-दर-क्षण कैसे बदलना चाहिए: इसकी वर्तमान स्थिति (इसका स्टेट) और यह कितनी देर से चल रहा है (समय)। उन्होंने इस विचार का परीक्षण पहले एक काल्पनिक गणितीय समस्या पर किया जहाँ उन्हें "सत्य" उत्तर पता था, और फिर एक वास्तविक दुनिया के पावर ग्रिड सिमुलेशन पर। उनके परिणाम बताते हैं कि मॉडल के मापदंडों (parameters) को सिस्टम के स्टेट और समय के साथ नाचने और विकसित होने देने से, वे पुराने तरीकों की तुलना में "टूटे हुए नॉब्स" और "गायब भौतिकी" को बहुत बेहतर तरीके से अलग कर सकते हैं, जिससे हमारे विद्युत ग्रिड जैसे जटिल, बदलते प्रणालियों के लिए कहीं अधिक सटीक भविष्यवाणियाँ प्राप्त होती हैं।

समस्या: "एक ही आकार सबके लिए" वाला जाल

कल्पना कीजिए कि आप एक केक बना रहे हैं, लेकिन आप जिस रेसिपी का उपयोग कर रहे हैं वह जुलाई के एक धूप वाले दिन के लिए लिखी गई थी। आप इसे बर्फीले तूफान के बीच में बनाने की कोशिश करते हैं। केक चपटा आता है। आप सोच सकते हैं, "मैंने शायद आटे की गलत मात्रा ली है!" इसलिए, आप आटे को एडजस्ट करते हैं। लेकिन असली समस्या यह है कि रेसिपी ने ठंडी हवा के बारे में विचार नहीं किया था। इंजीनियरिंग में, इसे मॉडल विसंगति (model discrepancy) कहा जाता है। यह एक कंप्यूटर मॉडल जो भविष्यवाणी करता है और वास्तव में जो होता है, उसके बीच का अंतर है।

लंबे समय तक, वैज्ञानिकों ने इसे यह मानकर ठीक करने की कोशिश की कि उनके मॉडलों के "नॉब्स" (जैसे किसी पुल की कठोरता या बैटरी का प्रतिरोध) स्थिर (constant) थे। उन्होंने सोचा, "यदि मैं इस नॉब के लिए एक सही संख्या ढूंढ लूँ, तो मॉडल हमेशा काम करेगा।" लेकिन वास्तविक दुनिया अव्यवद्य है। एक बैटरी का केवल एक प्रतिरोध नहीं होता; इसका प्रतिरोध जैसे-जैसे यह पुरानी होती है और तापमान बदलता है, वैसे-वैसे बदलता रहता है। एक पुल केवल एक स्तर पर कंपन नहीं करता; इसका व्यवहार यातायात के भार के साथ बदलता रहता है।

पुराने तरीकों में एक बड़ी खामी थी। उन्होंने "नॉब्स" को निश्चित संख्याओं के रूप में माना और मॉडल की "गलतियों" को एक अलग, अव्यवस्थित समूह के रूप में देखा। इसने एक भ्रमित करने वाला मिश्रण पैदा किया। यदि मॉडल गलत था, तो कंप्यूटर यह नहीं बता पाता था कि यह इसलिए था क्योंकि नॉब को गलत नंबर पर सेट किया गया था, या इसलिए क्योंकि मॉडल में समय के साथ सिस्टम कैसे बदलता है, इसके बारे में कोई नियम गायब था। यह एक लीक होने वाले नल को ठीक करने के लिए हैंडल को कसने जैसा था, जबकि असली समस्या दीवार के अंदर एक फटी हुई पाइप थी।

समाधान: एक मॉडल जो विकसित होना सीखता है

इस शोध के लेखकों ने महसूस किया कि इसे ठीक करने के लिए, मॉडल के नॉब्स का जीवित होना आवश्यक है। उन्हें सिस्टम के साथ बदलना होगा। उन्होंने TISAC नामक एक ढांचा विकसित किया।

TISAC को न्यूरल नेटवर्क (एक प्रकार का कंप्यूटर मस्तिष्क जो डेटा से पैटर्न सीखता है) द्वारा संचालित तीन डिजिटल जासूसों की एक टीम के रूप में सोचें।

जासूस एक (स्टेट-डिपेंडेंट नॉब): यह जासूस सिस्टम की वर्तमान स्थिति (जैसे बिजली की लाइन पर कितना भार है) को देखता है और उसके अनुसार नॉब्स को एडजस्ट करता है।
जासूस दो (टाइम-डिपेंडेंट नॉब): यह जासूस घड़ी को देखता है। वह जानता है कि कुछ चीजें सिर्फ इसलिए बदल जाती हैं क्योंकि समय बीत रहा है, जैसे कि एक बैटरी का धीरे-धीरे पुराना होना।
जासूस तीन (विसंगति जासूस): यह जासूस "गायब भौतिकी" की तलाश करता है। यह उन त्रुटियों को खोजने की कोशिश करता है जिन्हें पहले दो जासूस नहीं समझा सकते।

TISAC का जादू यह है कि ये तीन जासूस सह-विकसित (co-evolve) होते हैं। वे एक साथ प्रशिक्षित होते हैं, एक-दूसरे से सीखते हैं। यदि जासूस एक एक नॉब को घुमाकर किसी समस्या को ठीक करने की कोशिश करता है, लेकिन जासूस तीन कहता है, "रुको, वह वास्तव में भौतिकी में एक गायब नियम है," तो वे खुद को समायोजित करते हैं। यह उन्हें एक-दूसरे के काम में बाधा डालने से रोकता है। शोध पत्र एक विशेष तकनीक का उपयोग करता है जिसे सेंसिटिविटी एनालिसिस (sensitivity analysis) कहा जाता है ताकि यह सुनिश्चित हो सके कि "नॉब" समायोजन और "गायब नियम" समायोजन एक जैसे न दिखें। यह सुनिश्चित करने जैसा है कि नल ठीक करने वाला जासूस गलती से दीवार के अंदर की पाइप को ठीक करने की कोशिश न कर रहा हो।

टेस्ट ड्राइव: गणित से पावर ग्रिड तक

यह देखने के लिए कि यह नई विधि काम करती है या नहीं, टीम ने दो परीक्षण किए।

परीक्षण 1: सिंथेटिक पहेली
सबसे पहले, उन्होंने एक नकली, नियंत्रित दुनिया बनाई जहाँ उन्हें सटीक "सत्य" उत्तर पता था। उन्होंने एक गणितीय समस्या सेट की जहाँ नॉब्स को समय और स्टेट दोनों के आधार पर बदलना था, और वहाँ एक छिपा हुआ "गायब भौतिकी" एरर भी था।

परिणाम: जब उन्होंने पुराने "स्थिर नॉब" वाले तरीके का उपयोग किया, तो मॉडल भ्रमित हो गया। वह बदलते नॉब और गायब नियम के बीच अंतर नहीं कर सका, इसलिए उसकी भविष्यवाणियाँ बहुत गलत थीं। लेकिन जब उन्होंने TISAC का उपयोग किया, तो मॉडल सफलतापूर्वक यह पता लगा सका कि नॉब्स कैसे बदल रहे थे और वह गायब नियम क्या था। त्रुटि (error) बड़े प्रतिशत (जैसे 63%) से गिरकर बहुत कम (लगभग 3%) हो गई। यह मौसम का अनुमान लगाने से लेकर एक सटीक पूर्वानुमान होने जैसा था।

परीक्षण 2: पावर ग्रिड चुनौती
इसके बाद, उन्होंने इसे एक वास्तविक परिदृश्य पर आजमाया: एक जटिल विद्युत पावर ग्रिड। पावर ग्रिड पेचीदा होते हैं क्योंकि लोड (कितनी बिजली का उपयोग किया जा रहा है) लगातार बदलता रहता है, और ग्रिड का "जड़त्व" (inertia - यानी वह कितना स्थिर है) लोड शिफ्ट होने और समय बीतने के साथ बदलता रहता है।

सेटअप: उन्होंने इनवर्टर (डिवाइस जो बिजली को परिवर्तित करते हैं) वाले पावर ग्रिड के एक हाई-फिडेलिटी सिमुलेशन का उपयोग किया। वे तीन चीजों की भविष्यवाणी करना चाहते थे: पावर आउटपुट, वोल्टेज और फ्रीक्वेंसी।
परिणाम: कैलिब्रेशन से पहले, मॉडल बहुत ही खराब था, जिसमें त्रुटियां 108% तक थीं (जिसका अर्थ है कि वह ऐसी चीजें भविष्यवाणी कर रहा था जो पूरी तरह से गलत थीं)। TISAC लागू करने के बाद, त्रुटियां नाटकीय रूप रूप से गिर गईं। ट्रेनिंग डेटा के लिए, त्रुटियां घटकर 2% से भी कम रह गईं। इससे भी अधिक प्रभावशाली बात यह है कि जब उन्होंने मॉडल का परीक्षण नए डेटा पर किया जिसे उसने पहले कभी नहीं देखा था ("होल्डआउट" सेट), तो त्रुटियां कम रहीं (लगभग 9-11%)। यह सुझाव देता है कि मॉडल ने केवल उत्तरों को रटा नहीं; बल्कि उसने ग्रिड के व्यवहार के नियमों को वास्तव में सीखा है।

यह क्यों महत्वपूर्ण है

शोध पत्र सुझाव देता है कि TISAC गतिशील प्रणालियों (dynamic systems)—ऐसी चीजें जो हमेशा चलती और बदलती रहती हैं—को समझने के लिए एक शक्तिशाली उपकरण है। "बदलते नॉब्स" को "गायब नियमों" से अलग करके, इंजीनियर डिजिटल ट्विन्स (वास्तविक प्रणालियों की आभासी प्रतियां) बना सकते हैं जो बहुत अधिक विश्वसनीय होते हैं।

यह निम्नलिखित के लिए अत्यंत महत्वपूर्ण है:

पावर ग्रिड: मांग बढ़ने या मौसम बदलने पर बिजली की आपूर्ति बनाए रखना।
बैटरी: यह जानना कि बैटरी कब खराब हो रही है ताकि वह विफल न हो।
एयरोस्पेस: यह भविष्यवाणी करना कि एक जेट इंजन का प्रदर्शन उम्र बढ़ने और अलग-अलग गति से उड़ने के साथ कैसे बदलता है।

लेखक सावधानीपूर्वक नोट करते हैं कि यह सिमुलेशन और नियंत्रित प्रयोगों पर आधारित एक सुझाव है, न कि कोई जादुई समाधान जो दुनिया की हर समस्या को हल कर दे। वे बताते हैं कि उनकी विधि उन प्रणालियों के लिए सबसे अच्छा काम करती है जो अपेक्षाकृत स्थिर और सुचारू (smooth) हैं। यदि कोई प्रणाली बहुत अधिक अनियंत्रित या अचानक बदलती है, तो विधि को और अधिक काम की आवश्यकता हो सकती है। हालाँकि, परिणाम उत्साहजनक हैं। वे दिखाते हैं कि हमारे कंप्यूटर मॉडलों को समय और स्टेट के साथ विकसित होने देकर, हम अनुमान लगाना बंद कर सकते हैं और उन जटिल, जीवित प्रणालियों को समझना शुरू कर सकते हैं जो हमारी आधुनिक दुनिया को शक्ति प्रदान करती हैं।

तकनीकी सारांश: टाइम-इनपुट स्टेट-अवेयर कैलिब्रेशन (TISAC)

1. समस्या विवरण

इंजीनियरिंग प्रणालियों के भौतिक-आधारित मॉडलिंग (Physics-based modeling) अक्सर उन शासन समीकरणों (governing equations) पर निर्भर करती है जो अवस्था चरों (state variables/operating conditions) और अनिश्चित इनपुट मापदंडों को सिस्टम रिस्पॉन्स से जोड़ते हैं। हालाँकि, मॉडल भविष्यवाणियों और वास्तविकता के बीच विसंगतियाँ अनिश्चित मापदंडों, पैरामीटर मिसस्पेसिफिकेशन और अपूर्ण भौतिक निरूपण के कारण उत्पन्न होती हैं।

पारंपरिक मॉडल कैलिब्रेशन फ्रेमवर्क, जैसे कि प्रसिद्ध केनेडी और ओ'हैगन (KOH) दृष्टिकोण, आमतौर पर यह मान लेते हैं कि कैलिब्रेशन पैरामीटर वैश्विक स्थिरांक (global constants) हैं या समय या अवस्था के साथ स्वतंत्र रूप से बदलते हैं। यह धारणा कई आधुनिक इंजीनियरिंग प्रणालियों (जैसे, खराब होती बैटरियां, उम्र बढ़ते एयरो-इंजन, या ग्रिड-कनेक्टेड इनवर्टर) के लिए अपर्याप्त है जहाँ पैरामीटर सिस्टम की अवस्था और समय के साथ संयुक्त रूप से विकसित होते हैं। जब पैरामीटर्स को स्थिर या केवल समय-निर्भर माना जाता है जबकि वे वास्तव में अवस्था-निर्भर होते हैं, तो कैलिब्रेशन प्रक्रिया कन्फाउंडिंग (confounding) का शिकार हो जाती है: मॉडल गलत पैरामीटर मानों के कारण होने वाली त्रुटियों और संरचनात्मक मॉडल कमियों (discrepancy) के कारण होने वाली त्रुटियों के बीच अंतर नहीं कर पाता है। इससे पैरामीटर अनुमान पक्षपाती हो जाते हैं और बदलते परिचालन स्थितियों के तहत भविष्यवाणात्मक प्रदर्शन खराब हो जाता है।

इसके अलावा, मौजूदा विधियाँ एम्यूलेशन और विसंगति मॉडलिंग के लिए गाऊसी प्रक्रियाओं (Gaussian Processes - GPs) पर निर्भर करती हैं। हालांकि ये विश्लेषणात्मक रूप से सुलभ हैं, लेकिन उच्च-आयामी या विस्तृत टाइम-सीरीज डेटा के साथ GPs कम्प्यूटेशनल बाधाओं (cubic time complexity, $O(n^3)$ ) का सामना करते हैं, जिससे अक्सर स्टेशनैरिटी (stationarity) को मानने वाले डाइमेंशनलिटी रिडक्शन की आवश्यकता होती है।

2. कार्यप्रणाली: TISAC फ्रेमवर्क

लेखक टाइम-इनपुट स्टेट-अवेयर कैलिब्रेशन (TISAC) का प्रस्ताव करते हैं, एक ऐसा फ्रेमवर्क जो स्पष्ट रूप से कैलिब्रेशन मापदंडों को सिस्टम अवस्था $x$ और समय $t$ दोनों के फलन (functions) के रूप में मॉडल करता है, और साथ ही एक समय- और अवस्था-निर्भर विसंगति क्षेत्र (discrepancy field) का अनुमान लगाता है।

2.1 गणितीय सूत्रीकरण (Mathematical Formulation)

अवलोकन मॉडल को इस प्रकार तैयार किया गया है:
$y_{obs}(t, x) = \eta(t, x, \theta_t(x, t), \theta_s(t)) + \delta(x, t) + \epsilon(t)$
जहाँ:

$\eta$ भौतिक-आधारित मॉडल है।
$\theta_t(x, t)$ अवस्था और समय दोनों के साथ विकसित होने वाले पैरामीटर्स का प्रतिनिधित्व करता है।
$\theta_s(t)$ केवल समय के साथ विकसित होने वाले पैरामीटर्स का प्रतिनिधित्व करता है।
$\delta(x, t)$ मॉडल विसंगति क्षेत्र (discrepancy field) है।
$\epsilon(t)$ प्रयोगात्मक शोर (experimental noise) है।

2.2 सह-विकसित न्यूरल नेटवर्क आर्किटेक्चर (Co-Evolving Neural Network Architecture)

TISAC तीन फीड-फॉरवर्ड न्यूरल नेटवर्क्स के एक एकीकृत आर्किटेक्चर का उपयोग करता है जो प्रशिक्षण के दौरान सह-विकसित (co-evolve) होते हैं:

पैरामीटर नेटवर्क ( $\text{NN}_{\theta_t}, \text{NN}_{\theta_s}$ ): ये कैलिब्रेशन क्षेत्रों का अनुमान लगाते हैं। इन्हें हाइपरबोलिक टेंगेंट एक्टिवेशन का उपयोग करके स्ट्रक्चरल प्रायर्स (structural priors) से सुधारा गया बाउंडेड पॉइंट एस्टीमेट आउटपुट करने के लिए संरचित किया गया है।
विसंगति नेटवर्क ( $\text{NN}_{\delta}$ ): यह विसंगति क्षेत्र $\delta(x, t)$ का अनुमान लगाता है, जिसे रैंडम शोर के बजाय स्मूथ, व्यवस्थित मॉडल-फॉर्म त्रुटियों को कैप्चर करने के लिए रेगुलराइज किया गया है।
रिस्पॉन्स नेटवर्क (वैकल्पिक): उन मामलों में जहाँ एक स्पष्ट डिफरेंशिएबल गवर्निंग इक्वेशन उपलब्ध नहीं है (जैसे, पावर सिस्टम का मामला), एक सरोगेट नेटवर्क इनपुट और अनुमानित पैरामीटर्स को आउटपुट में मैप करता है। सिंथेटिक बेंचमार्क में, रिस्पॉन्स को एक डिफरेंशिएबल फॉरवर्ड-यूलर स्कीम का उपयोग करके गवर्निंग ODE को इंटीग्रेट करके प्राप्त किया जाता है।

2.3 लॉस फंक्शन और रेगुलराइजेशन

फ्रेमवर्क एक संयुक्त ऑब्जेक्टिव लॉस फंक्शन ( $L_{total}$ ) को कम करता है जो कई पदों से बना है:

डेटा-फिटिंग लॉस ( $L_y$ ): अनुमानित और प्रेक्षित रिस्पॉन्स के बीच के अंतर को मापता है, जिसे एम्पिरिकल स्टैंडर्ड डेविएशन द्वारा स्केल किया जाता है।
स्ट्रक्चरल प्रायर्स ( $L_{\theta, prior}$ ): अपेक्षित डिपेंडेंसी क्लासेस और स्मूथ ट्रेंड्स को एनकोड करता है।
स्मूथनेस और रेंज पेनल्टी ( $L_{\theta, smooth}, L_{\theta, range}$ ): स्पेस और टाइम में भौतिक स्वीकार्यता और स्मूथनेस को लागू करता है।
विसंगति रेगुलराइजेशन ( $L_{\delta}$ ): इसमें एनर्जी, स्मूथनेस (प्रथम और द्वितीय डेरिवेटिव), एज (बॉर्डर जीरोइंग), और स्पेक्ट्रल पेनल्टी शामिल है। स्पेक्ट्रल पेनल्टी विसंगति में हाई-फ्रीक्वेंसी कंपोनेंट्स को दबाती है ताकि यह मेजरमेंट नॉइज़ को सोखने या ओवरफिटिंग करने से बच सके।
सेपरेशन लॉस ( $L_{sep}$ ): एक महत्वपूर्ण नवाचार, जो विसंगति वेक्टर और कैलिब्रेशन पैरामीटर्स के सेंसिटिविटी वेक्टर्स के बीच अलाइनमेंट को दंडित (penalize) करता है। यह विसंगति को पैरामीटर वेरिएशंस के लंबवत (orthogonal) दिशाओं में स्ट्रक्चरल एरर्स को ठीक करने के लिए प्रोत्साहित करता है, जिससे कन्फाउंडिंग कम होती है।

2.4 ऑप्टिमाइजेशन और एनकोडिंग

स्पेक्ट्रल बायस (spectral bias) को संबोधित करने के लिए (जहाँ फीड-फॉरवर्ड न्यूरल नेटवर्क हाई-फ्रीक्वेंसी वेरिएशंस सीखने में संघर्ष करते हैं), इनपुट्स को फूरियर पोजीशनल एनकोडिंग का उपयोग करके मैप किया जाता है। ऑप्टिमाइजेशन के लिए मिनी-बैचिंग, वार्मअप फेज और कोसाइन लर्निंग रेट डिके शेड्यूल के साथ स्टोकैस्टिक ग्रेडिएंट डिसेंट (Adam) का उपयोग किया जाता है ताकि स्थिर अभिसरण (stable convergence) सुनिश्चित हो सके।

3. मुख्य योगदान

संयुक्त अवस्था-समय कैलिब्रेशन: फ्रेमवर्क स्पष्ट रूप से उन पैरामीटर्स को अलग करता है जो अवस्था और समय दोनों के साथ विकसित होते हैं, जिससे साहित्य के उस अंतराल को भरा जा सके जहाँ समय-निर्भरता और अवस्था-निर्भरता को अलग-अलग माना जाता था।
कम हुआ कन्फाउंडिंग (Reduced Confounding): ODE सेंसिटिविटी वेक्टर्स पर आधारित सेपरेशन लॉस और स्ट्रक्चरल प्रायर्स को लागू करके, TISAC कैलिब्रेशन पैरामीटर्स और मॉडल विसंगति के बीच की पहचान (identifiability) संबंधी समस्याओं को काफी कम कर देता है।
स्केलेबल न्यूरल सरोगेट्स: गाऊसी प्रोसेस के स्थान पर न्यूरल नेटवर्क का उपयोग करने से कोवेरिएंस मैट्रिक्स इन्वर्जन की क्यूबिक कम्प्यूटेशनल लागत के बिना उच्च-आयामी, टाइम-सीरीज डेटा को कुशलतापूर्वक संभालना संभव होता है।
फिजिक्स-इन्फॉर्म्ड कंस्ट्रेंट्स: विधि सीधे लॉस फंक्शन में गवर्निंग फिजिक्स (ODE इंटीग्रेशन या सेंसिटिविटी एनालिसिस के माध्यम से) को एकीकृत करती है, जिससे भौतिक रूप से सार्थक पैरामीटर अनुमान सुनिश्चित होता है।

4. परिणाम

4.1 अकादमिक केस स्टडी (सिंथेटिक बेंचमार्क)

फ्रेमवर्क का परीक्षण पैरामीटर और विसंगति के ज्ञात ग्राउंड ट्रुथ के साथ एक सिंथेटिक ODE सिस्टम पर किया गया।

प्रदर्शन: TISAC ने वास्तविक अवस्था-और-समय-परिवर्तित कैलिब्रेशन फील्ड्स और विसंगति को सफलतापूर्वक रिकवर किया।
तुलना: मानक KOH-स्टाइल बेयसियन कैलिब्रेशन (GP एम्यूलेटर्स और कांस्टेंट पैरामीटर्स के साथ) की तुलना में, TISAC ने भविष्यवाणी त्रुटियों को नाटकीय रूप रूप से कम किया। टेस्ट केस (मेजरमेंट 3) के लिए, रिस्पॉन्स का रूट मीन स्क्वायर एरर (RMSE) 63.83% (बेयसियन) से घटकर 3.21% (TISAC) हो गया।
पैरामीटर इन्फरेंस: कैलिब्रेशन पैरामीटर को इन्फर करने की त्रुटि 22.31% से घटकर 1.83% हो गई, और विसंगति इन्फरेंस एरर 33.63% से गिरकर 14.48% हो गया, जो सेपरेशन मैकेनिज्म की प्रभावशीलता को दर्शाता है।
डेटा परिदृश्य: फ्रेमवर्क विभिन्न डेटा सैंपलिंग डेंसिटी (स्टेट-रिच बनाम टाइम-रिच) और स्पार्स डेटा गैप्स के बीच भी मजबूत रहा।

4.2 पावर सिस्टम एप्लीकेशन

इस विधि को एकीकृत ट्रांसमिशन और डिस्ट्रीब्यूशन सिस्टम में एक हाई-फिडेलिटी ग्रिड-फॉर्मिंग इनवर्टर मॉडल पर लागू किया गया।

सेटअप: मॉडल ने बदलती लोड स्थितियों के तहत ग्रिड इम्पीडेंस (समय-निर्भर) और ग्रिड इनरशिया (अवस्था- और समय-निर्भर) का अनुमान लगाया।
परिणाम:
- ट्रेनिंग रीजन: पावर, वोल्टेज और फ्रीक्वेंसी के लिए नॉर्मलाइज्ड RMSE ~96-108% (प्री-कैलिब्रेशन) से घटकर क्रमशः 1.4%, 1.1%, और 0.9% हो गया।
- होल्डआउट रीजन: मॉडल ने अनदेखे ऑपरेटिंग सेगमेंट्स और भविष्य के टाइम स्टेप्स में सटीकता बनाए रखी, जहाँ त्रुटियाँ पावर के लिए 10.9%, वोल्टेज के लिए 9%, और फ्रीक्वेंसी के लिए 9.5% तक कम हो गईं।
- विसंगति: अनुमानित विसंगति ने होल्ड-आउट रीजन में मॉडल-फॉर्म एरर्स की दिशा को सही ढंग से कैप्चर किया, जिससे रिस्पॉन्स प्रेडिक्शन्स को बेहतर बनाने के लिए आवश्यक सुधार मिले।

5. महत्व और दावे

पेपर का दावा है कि TISAC गतिशील इंजीनियरिंग प्रणालियों के प्रदर्शन की निगरानी और परिचालन प्रबंधन के लिए एक भौतिक रूप से आधारित दृष्टिकोण प्रदान करता है। इसका प्राथमिक महत्व इसकी क्षमता में निहित है:

बदलते वास्तविक दुनिया के परिचालन स्थितियों के तहत अधिक विश्वसनीय निर्णय लेने में सहायता करना, जो पैरामीटर अनिश्चितता को मॉडल स्ट्रक्चरल एरर से सटीक रूप से अलग करता है।
जटिल, समय-विकसित प्रणालियों के लिए स्केलेबल विकल्प के रूप में गाऊसी प्रोसेस-आधारित कैलिब्रेशन प्रदान करना।
उन प्रणालियों के लिए "फिजिकली ग्राउंडेड डिजिटल ट्विन" वर्कफ़्लो विकसित करने में सक्षम बनाना जहाँ पैरामीटर्स स्थिर नहीं हैं बल्कि सिस्टम स्टेट के साथ सह-विकसित होते हैं।

लेखक नोट करते हैं कि वर्तमान में यह पद्धति उन प्रणालियों के लिए सबसे अधिक लागू है जिनमें स्थिर डायनेमिक्स और स्मूथ रेसिडुअल व्यवहार होता है, और भविष्य के कार्यों में तेजी से होने वाले, विच्छिन्न (discontinuous) रिस्पॉन्स को संबोधित करने की आवश्यकता है। यह फ्रेमवर्क एयरोस्पेस प्रोपल्शन, स्मार्ट मैन्युफैक्चरिंग और बैटरी मॉनिटरिंग जैसे जटिल डोमेन के लिए अधिक मजबूत कैलिब्रेशन की दिशा में एक कदम के रूप में प्रस्तुत किया गया है।