Engineering Hybrid Physics-Informed Neural Networks for Next-Generation Electricity Systems: A State-of-the-Art Review

Resumo Técnico: Engenharia de Redes Neurais Híbridas Informadas por Física para Sistemas Elétricos de Próxima Geração

Declaração do Problema
O projeto, monitoramento e controle de máquinas e acionamentos elétricos modernos enfrentam desafios persistentes relacionados à escassez de dados, à interpretabilidade limitada de modelos e à dificuldade de impor leis físicas dentro de abordagens puramente baseadas em dados. Métodos tradicionais de Aprendizado de Máquina (ML), embora eficazes para tarefas como diagnóstico de falhas e previsão de desempenho, frequentemente funcionam como "caixas pretas" que carecem de consistência física, têm dificuldade em extrapolar além dos dados de treinamento e exigem grandes quantidades de dados de alta qualidade. Por outro lado, os métodos numéricos tradicionais baseados em física (por exemplo, Métodos de Elementos Finitos) são computacionalmente caros e frequentemente muito lentos para aplicações em tempo real, gêmeos digitais e otimização rápida de projetos. O artigo identifica uma necessidade crítica de conciliar abordagens baseadas em dados com leis físicas imutáveis para criar soluções robustas, escaláveis e transparentes para aplicações da Indústria 4.0.

Metodologia
O artigo apresenta uma revisão de ponta de arquiteturas híbridas de Aprendizado de Máquina Informado por Física (PIML), focando especificamente em Redes Neurais Informadas por Física (PINNs) e suas variantes avançadas. A metodologia envolve a síntese de análises comparativas de estudos de caso publicados e simulações para avaliar como essas estruturas fundem aprendizado baseado em dados com modelagem baseada em primeiros princípios.

Componentes metodológicos-chave revisados incluem:

• Formulação da Função de Perda: Integração dos resíduos das equações diferenciais parciais (EDPs) governantes, como as equações de Maxwell para campos eletromagnéticos e as equações de Navier-Stokes para dinâmica de fluidos, diretamente na função de perda da rede neural. Isso garante que as previsões obedeçam às leis físicas (por exemplo, conservação de massa, momento e energia) além de ajustar os dados observados.
• Variantes Arquiteturais: A revisão examina várias arquiteturas avançadas:
  • Deep Operator Networks (DeepONets) e Fourier Neural Operators (FNOs): Estes aprendem mapeamentos entre espaços de funções em vez de soluções pontuais, oferecendo invariância à discretização e a capacidade de lidar com problemas de alta dimensão de forma eficiente.
  • PINNs Baseadas em Grafos (PIGNNs): Utilização de estruturas de grafos para modelar interdependências espaciais e malhas irregulares, acomodando dados ausentes e condições de contorno variáveis.
  • PINNs Aprimoradas: Incorporação de Máquinas de Aprendizado Extremo (ELMs) para treinamento mais rápido, decomposição de domínio (por exemplo, XPINNs, FBPINNs) para processamento paralelo de domínios complexos e Teoria de Conexões Funcionais (TFC) para imposição analítica de condições de contorno.
  • Estratégias de Controle Híbridas: Combinação de Controle Preditivo por Modelo (MPC), Aprendizado por Reforço (RL) e Sistemas de Inferência Neuro-Fuzzy Adaptativos (ANFIS) com restrições informadas por física.

Principais Contribuições
O artigo categoriza avanços recentes na aplicação de PIML a máquinas e acionamentos elétricos, oferecendo um quadro abrangente para pesquisadores e profissionais. Suas contribuições primárias incluem:

1. Revisão Sistemática de Arquiteturas: Uma taxonomia detalhada de métodos PIML (PINNs, PIGNNs, DeepONets, FNOs) e sua aplicabilidade específica a componentes de máquinas elétricas, incluindo motores de indução, máquinas síncronas de ímã permanente (PMSM) e motores de relutância comutada (SRMs).
2. Mapeamento de Aplicações: O artigo mapeia técnicas específicas de PIML para tarefas críticas de engenharia, incluindo:
   • Análise de Campo: Resolução das equações de Maxwell para torque eletromagnético e distribuição de campo sem depender exclusivamente de solucionadores baseados em malha.
   • Estimativa de Desempenho: Modelos híbridos para estimativa de estado e identificação de parâmetros online/offline que levam em conta não linearidades como saturação magnética e histerese.
   • Otimização de Projeto: Utilização de PIML para modelagem de substituição (surrogate modeling) para acelerar a otimização de materiais magnéticos e geometrias, reduzindo a dependência de elementos de terras raras.
   • Gêmeos Digitais: Integração de PIML em estruturas de gêmeos digitais para monitoramento em tempo real, detecção de falhas e manutenção preditiva.
3. Análise Comparativa: Uma comparação estruturada entre métodos tradicionais de ML (por exemplo, SVMs, Florestas Aleatórias) e abordagens PIML, destacando a capacidade superior destas últimas de lidar com dados esparsos, garantir consistência física e fornecer quantificação de incerteza.

Resultados
As evidências revisadas demonstram que o PIML entrega previsões robustas, escaláveis e fisicamente consistentes em vários componentes de sistemas elétricos. As principais descobertas incluem:

• Eficiência de Dados: Modelos PIML reduzem significativamente a dependência de grandes conjuntos de dados ao aproveitar restrições físicas, tornando-os eficazes mesmo com dados de sensores esparsos ou ruidosos.
• Eficiência Computacional: Abordagens híbridas, particularmente operadores neurais e PINNs com decomposição de domínio, mostraram o potencial de reduzir tempos de simulação de horas para milissegundos (por exemplo, substituindo simulações de elementos finitos por redes de múltiplas ramificações), permitindo controle e otimização em tempo real.
• Generalização: Ao incorporar leis físicas, esses modelos exibem capacidades aprimoradas de generalização e extrapolação, mantendo a precisão sob condições operacionais variáveis e cenários não vistos onde modelos puramente baseados em dados frequentemente falham.
• Quantificação de Incerteza: A integração de inferência bayesiana e estruturas probabilísticas dentro do PIML permite uma quantificação rigorosa de incerteza, aumentando a confiabilidade do modelo para aplicações críticas de segurança.

Significado
O artigo afirma que esses avanços sinalizam uma mudança de paradigma de métodos baseados em dados opacos e de "caixa preta" para estratégias transparentes, de "caixa branca" e informadas por física para sistemas elétricos de próxima geração. O significado deste trabalho reside em seu potencial para:

• Preencher a Lacuna: Conectar a física teórica com aplicações industriais, permitindo a implantação de ML em ambientes onde os dados são limitados ou a consistência física é inegociável.
• Habilitar a Indústria 4.0: Facilitar diagnósticos em tempo real, gêmeos digitais e estratégias de controle adaptativo essenciais para redes inteligentes modernas e manufatura automatizada.
• Otimizar a Sustentabilidade: Apoiar o projeto de máquinas elétricas mais eficientes com redução no uso de materiais e melhoria na gestão do ciclo de vida.

Os autores concluem que, embora desafios relacionados à complexidade computacional, quantificação de incerteza e implantação em escala industrial permaneçam, a convergência de modelagem física e ML avançado oferece um caminho transformador para o projeto e controle de máquinas e acionamentos elétricos. Pesquisas futuras são direcionadas para o refinamento de restrições multi-física, o desenvolvimento de métodos adaptativos em tempo real e o fomento à colaboração interdisciplinar para padronizar benchmarks e compartilhamento de dados.