Stabilization of Parabolic Time-Varying PDEs using Certified Reduced-Order Receding Horizon Control

Resumo Técnico: Estabilização de EDPs Parabólicas Variáveis no Tempo Usando Controle em Horizonte Recorrente de Ordem Reduzida Certificado

Enunciado do Problema
O artigo aborda a estabilização de equações diferenciais parciais (EDPs) parabólicas lineares e variáveis no tempo usando controle em horizonte recorrente (RHC) de dimensão finita, também conhecido como Controle Preditivo Baseado em Modelo (MPC). Um desafio primário na aplicação de RHC a EDPs é o custo computacional associado à resolução repetida de problemas de controle ótimo em malha aberta de alta dimensão sobre intervalos de tempo sobrepostos. Embora modelos de ordem reduzida (MORs) ofereçam um caminho para acelerar esses cálculos, a aplicação direta de controles derivados de MORs ao modelo de ordem completa (MOC) pode comprometer a estabilidade do sistema em malha fechada e as garantias de subotimalidade do sistema original. Além disso, o artigo considera funcionais de custo não suaves, especificamente aqueles envolvendo a norma $\ell_1$ ao quadrado para impor esparsidade na entrada de controle, o que adiciona complexidade à otimização e à análise de erro.

Metodologia
Os autores propõem um framework de duas etapas que combina uma análise rigorosa de estabilidade para o sistema de ordem completa com uma estratégia de redução de modelo certificada.

1. Análise do Modelo de Ordem Completa (MOC):
   Os autores estabelecem primeiro a estabilidade exponencial e a subotimalidade de um esquema de RHC em tempo contínuo para sistemas parabólicos variáveis no tempo em espaços de Hilbert. Diferentemente de trabalhos anteriores que dependem de custos ou restrições terminais para garantir estabilidade, este framework utiliza um esquema específico de concatenação e uma desigualdade de observabilidade no tempo final. Essa abordagem permite o uso de custos de estágio mais fracos (especificamente um termo de rastreamento $L^2(\Omega)$) e custos de controle não suaves (incluindo regularização promovedora de esparsidade) sem exigir estimativas de observabilidade no tempo inicial.

2. Modelagem de Ordem Reduzida (MOR) e Estimativa de Erro:
   Para abordar os custos computacionais, os autores empregam redução de ordem de modelo baseada em projeção de Galerkin, utilizando especificamente a Decomposição Ortogonal Proper (POD). Uma análise rigorosa de erro a posteriori é desenvolvida para os problemas de controle ótimo de horizonte finito. Isso inclui a derivação de estimadores de erro para o estado, estado adjunto, controle ótimo e a função valor. Crucialmente, essas estimativas levam em conta custos de controle convexos não suaves e valores iniciais inexatos.

3. Algoritmo MOR-RHC Certificado:
   A contribuição central é um algoritmo adaptativo MOR-RHC (Algoritmo 2). Em vez de aplicar cegamente controles reduzidos, o algoritmo utiliza os estimadores de erro a posteriori derivados para verificar uma condição de "Programação Dinâmica Relaxada" (PDR) online.

   • Em cada passo de tempo, o algoritmo resolve o problema reduzido e calcula limites de desempenho ($\bar{\alpha}^r_k$) baseados na função valor do MOR e nos estimadores de erro.
   • Se o limite de desempenho satisfizer um limiar especificado pelo usuário $\tilde{\alpha}$, o controle reduzido é aplicado ao sistema completo.
   • Se a condição não for atendida, a base reduzida é refinada (por exemplo, adicionando novas snapshots POD da solução de ordem completa) e o passo é repetido.
     Esse processo adaptativo garante que o controle reduzido estabilize o sistema de ordem completa com limites de desempenho garantidos em relação ao problema MOC de horizonte infinito.

Principais Contribuições
O artigo faz quatro contribuições primárias:

1. Análise de Estabilidade para MOC: Estabelece estabilidade exponencial e subotimalidade para RHC em tempo contínuo de sistemas parabólicos lineares variáveis no tempo usando um termo de rastreamento $L^2(\Omega)$ e custos não suaves. Essa análise depende de uma desigualdade de observabilidade no tempo final em vez de observabilidade no tempo inicial, fornecendo um novo limite explícito para o parâmetro de subotimalidade.
2. Estimativas de Erro Rigorosas: Os autores derivam estimativas de erro a posteriori para a aproximação MOR da função valor e do funcional de custo. Essas estimativas são aplicáveis a custos de controle convexos gerais não suaves e valores iniciais inexatos, e estabelecem propriedades de interpolação e convergência assintótica de MORs de Galerkin sob suposições de regularidade relaxadas.
3. Esquema MOR-RHC Certificado: Um novo algoritmo é proposto que combina essas estimativas de erro com uma variante do princípio de Programação Dinâmica Relaxada. Esse esquema garante a estabilização exponencial do MOC e a subotimalidade em relação ao problema MOC de horizonte infinito. O método assegura que o MOR possa ser construído de modo que a desigualdade PDR seja satisfeita com uma base de dimensão finita.
4. Validação Numérica: A abordagem é validada em sistemas com dinâmica livre exponencialmente instável e regularização não suave $\ell_1$. Os resultados demonstram que o MOR-RHC alcança acelerações computacionais substanciais enquanto preserva as garantias de estabilidade e subotimalidade do método de ordem completa.

Resultados
Experimentos numéricos em uma EDP parabólica 2D com 13 atuadores e um funcional de custo não suave confirmam as descobertas teóricas:

• Estabilidade: Tanto os esquemas MOC quanto MOR-RHC estabilizam com sucesso o sistema com taxas de decaimento exponencial consistentes com os limites teóricos.
• Precisão: As soluções de ordem reduzida exibem erros relativos extremamente baixos em comparação com as soluções de ordem completa (por exemplo, erros relativos na função custo da ordem de $10^{-7}$ a $10^{-8}$).
• Eficiência: Os esquemas MOR-RHC alcançam uma aceleração de aproximadamente 10 a 13 vezes no tempo de computação em comparação com o MOC-RHC. Isso é alcançado reduzindo o número de avaliações de gradiente de ordem completa por um fator de aproximadamente 20, pois as resoluções de ordem completa são acionadas apenas quando o modelo requer refinamento.
• Estimativa de Erro: Os estimadores de erro a posteriori mostram-se confiáveis, embora tendam a superestimar o erro verdadeiro, particularmente para horizontes de previsão grandes e parâmetros de regularização pequenos. No entanto, os estimadores capturam corretamente o decaimento exponencial do erro à medida que a dimensão da base reduzida aumenta.

Significância e Alegações
O artigo alega fornecer um framework robusto para o controle eficiente e estável de EDPs parabólicas variáveis no tempo. Ao integrar análise rigorosa de erro a posteriori com redução de modelo adaptativa, o método supera a inviabilidade computacional do RHC padrão para EDPs de alta dimensão sem sacrificar garantias teóricas. Os autores enfatizam que sua abordagem não requer custos ou restrições terminais para garantir estabilidade, tornando-a aplicável a uma classe mais ampla de problemas, incluindo aqueles com objetivos não suaves. O mecanismo de certificação garante que o controlador de ordem reduzida não seja meramente uma aproximação, mas um estabilizador verificado para o sistema de ordem completa, com limites de desempenho quantificáveis. O trabalho é apresentado como um passo rumo ao tratamento de sistemas mais complexos, com trabalho futuro sugerido para sistemas parabólicos não lineares, incertezas paramétricas e seleção adaptativa de horizonte.