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

Titolo del Lavoro

Modelli Surrogati Guidati dai Dati per Applicazioni Agromaritime: Integrazione tra Elementi Finiti e Reti Neurali

1. Il Problema

I sistemi agromaritimi (che integrano agricoltura e ambienti marini) affrontano sfide critiche legate alla gestione della qualità dell'acqua, al trasporto di salinità, alla dispersione dei nutrienti e alla dinamica dei flussi. La modellazione accurata di questi processi è essenziale per pratiche agricole e costiere resilienti.
Sebbene i metodi numerici basati sulla fisica, come il Metodo agli Elementi Finiti (FEM), siano in grado di catturare con alta precisione i processi fisici descritti da equazioni alle derivate parziali (PDE), presentano limiti significativi:

• Costo computazionale elevato: Le simulazioni FEM sono onerose, rendendo difficile l'uso in tempo reale o per studi parametrici estesi.
• Scalabilità: La necessità di eseguire migliaia di simulazioni per esplorare scenari diversi o supportare decisioni rapide diventa proibitiva.

L'obiettivo è sviluppare un approccio ibrido che mantenga l'affidabilità fisica del FEM ma offra la velocità e l'adattabilità dei modelli basati sui dati.

2. Metodologia

Il lavoro propone un framework surrogato ibrido che combina il FEM, la Decomposizione Ortogonale Propria (POD) e le Reti Neurali (NN). Il processo si articola in quattro fasi principali:

1. Simulazione ad Alta Fedeltà (FEM):

   • Viene risolta l'equazione di diffusione-reazione stazionaria: $-\nabla \cdot (\kappa \nabla u) + \beta u = f$, dove $u$ rappresenta la concentrazione di soluto (salinità/nutrienti), $\kappa$ il coefficiente di diffusione e $\beta$ il coefficiente di reazione.
   • Vengono generate 500 "istantanee" (snapshot) della soluzione variando i parametri di ingresso: diffusività ($\kappa$), reazione ($\beta$) e intensità di afflusso ($q_{in}$).
   • I dati sono ottenuti su un dominio rettangolare con condizioni al contorno di Dirichlet.

2. Riduzione della Dimensionalità (POD):

   • La matrice delle istantanee ad alta dimensionalità viene compressa utilizzando la POD (equivalente alla SVD).
   • Vengono selezionati i modi dominanti che catturano il 99,9% dell'energia del sistema. In questo studio, 4 modi POD sono stati sufficienti per rappresentare la dinamica principale, riducendo drasticamente lo spazio degli stati da risolvere.

3. Addestramento della Rete Neurale (Surrogato):

   • Viene costruita una rete neurale feedforward (2 strati nascosti, 100 neuroni ciascuno, attivazione tangente iperbolica) per mappare i parametri fisici ($\mu = [\kappa, \beta, q_{in}]$) ai coefficienti POD ridotti ($a$).
   • La rete viene addestrata sull'80% dei dati generati dal FEM per minimizzare l'errore quadratico medio tra i coefficienti previsti e quelli reali.

4. Ricostruzione e Predizione:

   • Per nuovi parametri, la rete neurale predice i coefficienti POD, che vengono poi moltiplicati per la base POD per ricostruire la soluzione approssimata $u_{NN}$.

3. Contributi Chiave

• Framework Ibrido FEM-NN: Integrazione efficace che sfrutta la struttura fisica incorporata nella base FEM/POD per guidare l'apprendimento della rete neurale, riducendo la necessità di enormi quantità di dati rispetto ai metodi puramente data-driven (come PINN o DeepONet).
• Efficienza Computazionale: Dimostrazione che un modello surrogato può sostituire il solver FEM completo per scopi di screening rapido, mantenendo una fedeltà fisica accettabile.
• Applicabilità Agromaritima: Validazione del metodo su un caso studio rilevante per il trasporto di nutrienti e salinità, fornendo uno strumento per la gestione sostenibile di sistemi complessi.

4. Risultati Numerici

Gli esperimenti numerici hanno evidenziato le seguenti prestazioni:

• Velocità: Il modello surrogato NN ha raggiunto un speed-up di circa 956 volte rispetto al solver FEM tradizionale.
  • Tempo medio FEM: ~5,85 secondi.
  • Tempo medio NN: ~0,006 secondi.
• Accuratezza:
  • L'errore relativo medio $L_2$ rispetto alla soluzione FEM di riferimento è del 15,22%.
  • L'errore mediano è del 15,33%.
  • L'errore massimo osservato è del 33,29%.
  • Nota: Gli errori più elevati (>60% in casi estremi) si verificano vicino ai bordi dello spazio dei parametri o in presenza di gradienti molto ripidi, ma l'errore medio rimane accettabile per studi parametrici.
• Robustezza: La distribuzione degli errori mostra che il modello è in grado di catturare le tendenze generali e il comportamento relativo dei sistemi, anche se non replica la precisione di alta fedeltà del FEM in ogni punto.

5. Significato e Conclusioni

Questo studio dimostra che l'integrazione tra metodi numerici classici e intelligenza artificiale offre una via promettente per la modellazione agromaritima.

• Bilanciamento Ottimale: Il metodo proposto bilancia la rigidità fisica (garantita dal FEM e dalla POD) con l'efficienza computazionale delle reti neurali.
• Utilità Pratica: Sebbene l'errore del 15% non sia sufficiente per applicazioni che richiedono precisione millimetrica, è ampiamente sufficiente per lo screening rapido di scenari, studi parametrici e supporto alle decisioni in tempo reale, dove la velocità è prioritaria.
• Prospettive Future: Il lavoro attuale si basa su un'equazione di diffusione-reazione stazionaria su un dominio semplice. Le ricerche future mireranno ad estendere il framework a sistemi completi di advezione-diffusione-reazione (ADRE), geometrie più complesse e parametri spazialmente variabili, potenzialmente integrando architetture di apprendimento operatoriale avanzate.

In sintesi, l'approccio FEM-POD-NN proposto rappresenta un passo significativo verso la creazione di surrogati adattivi, veloci e fisicamente coerenti per la gestione sostenibile delle risorse idriche e costiere.