⚡ electrical engineering

A data-driven model-free physical-informed deep operator network for solving nonlinear dynamic system

Deze paper introduceert een datagedreven, modelvrije Deep Operator Network-framework dat beperkte experimentele data en kortetermijnafhankelijkheden combineert om niet-lineaire dynamische systemen effectief te modelleren zonder volledige wiskundige formules of grote datasets.

Oorspronkelijke auteurs: Jieming Sun, Lichun Li

Gepubliceerd 2026-02-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jieming Sun, Lichun Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een complexe machine probeert te begrijpen, zoals een auto die rijdt, een schommel die zwaait of zelfs een chaotisch weerpatroon. Normaal gesproken heb je twee dingen nodig om zo'n systeem te voorspellen:

De blauwdruk: De perfecte wiskundige formule die uitlegt hoe het werkt.
De ervaring: Duizenden uren aan testdata om te zien hoe het zich gedraagt.

Het probleem? In de echte wereld hebben we vaak noch de perfecte blauwdruk (we weten niet precies welke formules er spelen), noch genoeg testdata (tests zijn te duur of te moeilijk). We hebben misschien maar een paar metingen en een vaag idee van hoe het werkt.

Dit artikel introduceert een slimme nieuwe manier om dit op te lossen. Het noemen ze een "Data-Gedreven, Model-Vrije, Fysiek-Informeerde Deep Operator Network". Dat klinkt als een mondvol, maar laten we het uitleggen met een paar creatieve vergelijkingen.

De Drie Helden in ons verhaal

Om dit nieuwe systeem te begrijpen, moeten we eerst kennismaken met de drie "helden" die de auteurs combineren:

De DeepOnet (De Grote Geheugenbank):
Stel je voor dat DeepOnet een supergeheugen heeft. Het kan enorme hoeveelheden data zien en leert patronen. Als je het genoeg voorbeelden geeft, kan het voorspellen wat er morgen gebeurt. Maar het heeft een zwakheid: het is een beetje lui. Als je het te weinig data geeft, raakt het in de war en maakt het foute voorspellingen. Het heeft veel voorbeelden nodig om goed te zijn.
De PINN (De Wetenschapper):
Dit is een systeem dat de natuurwetten kent. Het zegt: "Ik weet dat als ik hier duw, dat daar moet gebeuren volgens de zwaartekracht." Het werkt goed met weinig data, maar het heeft een nadeel: het moet de exacte wiskundige formule al kennen. Als je die formule niet hebt, kan deze wetenschapper niet helpen.
De Korte-termijn Afhankelijkheid (De Herinnering):
Dit is het genie van dit artikel. De auteurs zeggen: "We weten misschien niet de hele formule, maar we weten wel één ding: het verleden bepaalt de toekomst, maar alleen op de korte termijn."
Vergelijking: Als je een bal gooit, weet je niet precies hoe de luchtweerstand eruit ziet (de formule), maar je weet wel dat de positie van de bal nu sterk afhankelijk is van waar hij een fractie van een seconde geleden was en hoe snel hij toen ging. De bal "onthoudt" zijn recente verleden.

Het Nieuwe Systeem: De "Slimme Leerling"

De auteurs hebben een nieuwe methode bedacht die deze drie combineert. Stel je dit voor als een meesterkok met een assistent:

De Assistent (Het Machine Learning Model): Omdat we de exacte formule niet hebben, laten we een slimme assistent (een klein computernetwerk) kijken naar de paar metingen die we wel hebben. Deze assistent leert de "korte-termijn geheugen" van het systeem. Hij leert: "Als de bal hier was en snelheid X had, dan is hij nu waarschijnlijk hier." Hij fungeert als een tijdelijke wetenschapper die de regels van het verleden onthult.
De Meesterkok (De DeepOnet): Dit is de grote voorspeller. Normaal zou hij alleen op data vertrouwen, maar nu krijgt hij hulp van de assistent.
De Samensmelting: De assistent zegt tegen de meesterkok: "Hé, vergeet niet dat het systeem zich gedraagt alsof het een kort geheugen heeft. Gebruik die regel als je voorspelt!"

Dit is wat ze "Model-Vrij" noemen: ze hoeven de exacte formule niet te kennen. Ze laten de computer de "regels van het verleden" zelf ontdekken uit de weinig data die er is, en gebruiken die regels om de grote voorspeller te verbeteren.

Wat hebben ze getest?

Ze hebben hun methode getest op drie verschillende "proefkonijnen":

De Schommel (Pendulum): Een klassiek voorbeeld. Zelfs met weinig data en ruis (zoals trillingen in de meting), kon hun systeem de schommel beter voorspellen dan de standaard DeepOnet.
De Aangedreven Trilling (Driven Oscillator): Een systeem dat een beetje instabiel is. Ook hier won hun methode, zelfs als de data "ruis" bevatte (alsof je door een wazige bril kijkt).
Het Chaos-systeem (Chaotic Jerk): Dit is het moeilijkste. Een systeem dat extreem gevoelig is voor kleine veranderingen (het "vlinder-effect"). Zelfs hier, waar de chaos normaal gesproken alles verstoort, bleek hun methode stabieler en accurater te zijn dan de oude methoden.

Waarom is dit belangrijk?

In het verleden moesten we kiezen: of je had de perfecte formule (en weinig data), of je had veel data (en geen formule).
Met deze nieuwe methode kunnen we beide problemen oplossen.

Voor de leek: Het is alsof je een auto rijdt in de mist. Je ziet de weg niet helemaal (geen formule) en je hebt maar een paar seconden aan zicht (weinig data). Maar omdat je weet dat de auto nu nog steeds reageert op wat je een seconde geleden deed (korte-termijn geheugen), kun je toch veilig rijden.

Kortom: De auteurs hebben een manier gevonden om computers slim te maken, zelfs als we maar een paar brokjes informatie hebben en de "handleiding" van het systeem kwijt zijn. Ze gebruiken de "herinnering" van het systeem zelf als gids, waardoor ze nauwkeurige voorspellingen kunnen doen in situaties waar andere methoden falen.

Probleemstelling

Het artikel adresseert een fundamentele uitdaging in de analyse van niet-lineaire dynamische systemen: het schatten van toestanden (state estimation) wanneer er sprake is van beperkte data en onvolledige modelkennis.

Bestaande beperkingen: Traditionele Physics-Informed Neural Networks (PINN) vereisen vaak exacte wiskundige formules (fysieke wetten) van het systeem. Deep Operator Networks (DeepOnet) zijn krachtig voor het leren van operatoren tussen functieruimtes, maar zijn doorgaans sterk afhankelijk van enorme datasets voor training.
De realiteit: In veel praktische scenario's is het moeilijk om de exacte differentiaalvergelijkingen te verkrijgen of om uitgebreide experimentele datasets te genereren (vanwege hoge kosten). Beschikbare informatie kan beperkt zijn tot een paar meetpunten en de algemene orde van het systeem (bijv. weten dat het een 2e-orde ODE is, zonder de specifieke coëfficiënten te kennen).

Methodologie

De auteurs stellen een nieuw raamwerk voor: een Data-Driven, Model-Free, Physics-Informed Deep Operator Network. De kern van de methode ligt in het benutten van kortetermijnafhankelijkheid (short-term dependence) als vervanging voor de ontbrekende fysieke wetten.

De aanpak verloopt in drie hoofdstappen:

Analyse van Kortetermijnafhankelijkheid:
- Gebaseerd op de theorie dat discretisatie van continue dynamische systemen (via de Euler-methode) leidt tot een $n$ -staps afhankelijkheid, waarbij de huidige staat $x(t)$ afhangt van de vorige $n$ stappen van toestanden en ingangen.
- Zelfs zonder de exacte functie $F()$ van de differentiaalvergelijking te kennen, kan deze afhankelijkheid worden gemodelleerd.
Surrogaatmodel voor Fysische Informatie:
- Er wordt een vervangend machine learning-model (een Feed-forward Neural Network of FFNN) getraind op de beperkte beschikbare data.
- Dit model leert de mapping van historische toestanden en ingangen ( $x(t-n)...x(t-1)$ en $u(t-n)...u(t-1)$ ) naar de hoogste orde afgeleide ( $\frac{d^n x}{dt^n}$ ).
- Dit FFNN fungeert als een "surrogaat" voor de onbekende fysieke wetten en levert de "physics-informed" component.
Integratie in DeepOnet:
- De architectuur combineert een Branch Net (verwerkt initiële condities en reeksen van controlemiddelen) en een Trunk Net (verwerkt tijd- en ruimtelijke coördinaten).
- Verliesfunctie (Loss Function): Het totale verlies bestaat uit twee delen:
  - Data Loss: Het verschil tussen de voorspelde staat en de werkelijke meetwaarden.
  - Physics-Informed Loss: Het verschil tussen de afgeleide berekend via automatische differentiatie van het DeepOnet-uitvoer en de voorspelling van het FFNN-surrogaatmodel.
- Hierdoor wordt het DeepOnet getraind om niet alleen de data te volgen, maar ook consistent te zijn met de geleerde kortetermijn-dynamica.

Belangrijkste Bijdragen

Model-vrij benadering: Het systeem leert dynamiek zonder de exacte differentiaalvergelijking te vereisen; alleen de orde van het systeem is nodig.
Data-efficiëntie: De methode is ontworpen om effectief te werken met zeer kleine datasets (in de experimenten slechts 5 tot 10 trainingssets).
Hybride Architectuur: Het succesvol integreren van een gespecialiseerd surrogaatmodel (voor kortetermijnafhankelijkheid) in de DeepOnet-structuur om de beperkingen van zowel pure PINN (vereist exacte formules) als pure DeepOnet (vereist veel data) te overwinnen.
Robuustheid: De methode toont weerstand tegen meetruis door het gebruik van filters (zoals de Savitzky-Golay filter) en de inherente stabiliteit van het fysiek geïnformeerde verlies.

Resultaten

De methode werd getest op drie verschillende niet-lineaire systemen, zowel met ruisvrije data als met data vervuild met Gaussische ruis:

Slagsysteem (Pendulum): Een 2e-orde systeem.
- De voorgestelde methode behaalde een gemiddelde absolute fout (MAE) van 6.23 (zonder ruis) en 7.57 (met ruis).
- Ter vergelijking: Standaard DeepOnet behaalde respectievelijk 17.98 en 19.27.
Aangedreven Oscillator: Een 2e-orde systeem met marginale instabiliteit.
- De nieuwe methode behaalde een MAE van 16.69 (zonder ruis) en 19.10 (met ruis).
- Standaard DeepOnet behaalde 36.22 en 39.46.
Chaos Jerk Systeem: Een complexer 3e-orde chaotisch systeem.
- De methode behaalde een MAE van 18.7 (met ruis), wat lager was dan DeepOnet's 22.2. (Opmerking: In de ruisvrije test voor dit specifieke systeem gaf de paper een omgekeerde trend aan met DeepOnet lager, maar benadrukte dat de nieuwe methode over het algemeen robuuster en nauwkeuriger was in de meeste scenario's en met ruis).

Over het algemeen toonde de voorgestelde methode een aanzienlijk betere nauwkeurigheid en stabiliteit, vooral in scenario's met beperkte data en meetruis.

Betekenis

Dit onderzoek biedt een cruciale oplossing voor het "data-schaarste"-probleem in de ingenieurswetenschappen en de fysica. Door kortetermijnafhankelijkheid te gebruiken als een proxy voor onbekende fysieke wetten, maakt het mogelijk om complexe dynamische systemen nauwkeurig te modelleren en te voorspellen in situaties waar traditionele methoden falen (vanwege gebrek aan formules) of te duur zijn (vanwege de behoefte aan grote datasets). Dit opent de weg voor toepassing in real-world scenario's zoals epidemiologie, klimaatmodellen en industriële procescontrole, waar data vaak schaars en onvolledig is.