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

Resumo Técnico: Modelos Surrogados Orientados a Dados para Aplicações Agromarítimas: Integração Elemento Finito–Rede Neural

1. O Problema

Os sistemas agromarítimos enfrentam desafios críticos relacionados à gestão da qualidade da água, transporte de salinidade, dispersão de nutrientes e dinâmicas de fluxo. A modelagem precisa desses processos é essencial para práticas agrícolas e costeiras resilientes.

• Limitações Atuais: Os métodos tradicionais baseados em Equações Diferenciais Parciais (EDPs), como o Método de Elementos Finitos (MEF/FEM), capturam com alta precisão a física da dispersão de nutrientes e salinidade. No entanto, eles são computacionalmente custosos, o que limita sua aplicação em estudos paramétricos extensos, exploração de cenários ou tomada de decisão em tempo real.
• Necessidade: Há uma necessidade urgente de modelos que combinem a fidelidade física dos métodos numéricos com a velocidade e adaptabilidade das abordagens orientadas a dados.

2. Metodologia

O artigo propõe uma abordagem híbrida que integra simulações de alta fidelidade (MEF) com aprendizado de máquina (Redes Neurais) e redução de ordem (POD). O fluxo de trabalho consiste em quatro etapas principais:

• Formulação do Problema e MEF:

  • O problema base é a equação de difusão-reação em estado estacionário: $-\nabla \cdot (\kappa \nabla u) + \beta u = f$.
  • Utiliza-se o Método de Elementos Finitos (com elementos lineares) para resolver a formulação fraca da EDP.
  • Gera-se um conjunto de dados ("snapshots") variando parâmetros físicos: coeficiente de difusividade ($\kappa$), coeficiente de reação ($\beta$) e intensidade de entrada ($q_{in}$).

• Redução de Ordem (POD):

  • Aplica-se a Decomposição Ortogonal Proper (POD) à matriz de snapshots gerada pelo MEF.
  • A POD realiza uma decomposição em valores singulares (SVD) para extrair os modos dominantes que capturam a dinâmica principal do sistema.
  • O objetivo é reduzir a dimensionalidade do espaço de solução, mantendo uma alta porcentagem de energia (ex: 99,9%) com um número muito menor de modos.

• Surrogado via Rede Neural (NN):

  • Desenvolve-se uma Rede Neural Feedforward (2 camadas ocultas com 100 neurônios cada) para mapear os parâmetros de entrada ($\mu = [\kappa, \beta, q_{in}]$) diretamente para os coeficientes do espaço reduzido (coeficientes POD).
  • A rede é treinada para minimizar o erro quadrático médio entre os coeficientes reais (projetados) e os previstos.

• Reconstrução:

  • Para uma nova combinação de parâmetros, a rede neural prevê os coeficientes reduzidos, que são então reconstruídos no espaço original usando a base POD, gerando a solução aproximada $u_{NN}$.

3. Principais Contribuições

• Framework Híbrido FEM-NN: Desenvolvimento de um modelo surrogado que combina a robustez física do MEF com a eficiência computacional das redes neurais.
• Eficiência de Dados: Diferente de modelos puramente baseados em dados (como PINNs ou DeepONets) que exigem grandes volumes de dados e tempo de treinamento, esta abordagem utiliza a estrutura física embutida na base POD, exigindo menos dados de treinamento e recursos computacionais.
• Aplicabilidade Agromarítima: Demonstração da viabilidade do método para previsão rápida de transporte de nutrientes e distribuição de salinidade, crucial para a gestão sustentável.

4. Resultados

Os experimentos numéricos foram realizados em um domínio retangular simplificado ($[0,10] \times [0,5]$) com 500 amostras de treinamento.

• Redução de Dimensão: Foram suficientes apenas 4 modos POD para capturar 99,9% da energia do sistema, demonstrando alta eficiência na compressão dos dados.
• Desempenho Computacional:
  • O modelo surrogado (NN) alcançou um aceleração de aproximadamente 956 vezes em comparação com o solver MEF tradicional (0,006s vs 5,85s por simulação).
• Precisão:
  • O erro relativo médio $L_2$ foi de aproximadamente 15,22% (com mediana de 15,33%).
  • O pior caso de erro atingiu cerca de 33,29% na comparação com o MEF, embora o texto mencione desvios pontuais acima de 60% em casos extremos de borda ou gradientes acentuados.
  • A análise de erro indica que a principal fonte de imprecisão provém da truncagem da base POD e da regressão da rede neural.

5. Significado e Conclusão

O estudo valida que a integração FEM-POD-NN é uma ferramenta viável para triagem rápida de cenários e estudos paramétricos em sistemas agromarítimos.

• Equilíbrio: O método oferece um equilíbrio ideal entre a fidelidade física (garantida pela base MEF/POD) e a velocidade de inferência (fornecida pela NN).
• Aplicação Prática: Embora o estudo atual foque em uma equação de difusão-reação simplificada (sem advecção em grande escala), a metodologia serve como um bloco de construção fundamental. Ela pode ser estendida futuramente para sistemas completos de advecção-dispersão-reação (ADRE) e geometrias mais complexas.
• Impacto: A capacidade de realizar previsões em tempo quase real permite uma gestão mais ágil e resiliente de recursos hídricos e sistemas costeiros, suportando a tomada de decisão em ambientes onde a velocidade computacional é tão crítica quanto a precisão.