⚡ electrical engineering

KOOPMAN-Luenberger Observer Design for Nonlinear Systems with Application to the Monitoring of a Latent Thermal Energy Storage

Este artigo propõe um framework de Observador de Estado Linear baseado em KOOPMAN (KOOPMAN-LSO) que eleva a dinâmica não linear para um espaço de maior dimensão para permitir o projeto eficiente de observadores lineares, demonstrando sua eficácia em estimar com precisão estados internos não medidos de um sistema latente de armazenamento de energia térmica com alta fidelidade sob condições de sensoriamento limitadas.

Autores originais: Mustapha Habib, Dario Aguiar, Esther Kieseritzky, Tilman Barz, Qian Wang

Publicado 2026-08-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Mustapha Habib, Dario Aguiar, Esther Kieseritzky, Tilman Barz, Qian Wang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando adivinhar o clima dentro de um pote mágico gigante e selado. Você não consegue ver o interior e não pode enfiar um termômetro lá dentro sem quebrar o pote. Tudo o que você tem é uma pequena janela na parte externa onde pode sentir a temperatura do ar soprando para fora. Se o pote fosse simples, como um balde de água, você provavelmente conseguiria adivinhar o que está acontecendo lá dentro apenas sentindo essa brisa. Mas e se o pote contivesse uma substância misteriosa e metamorfa que congela e derrete, mudando sua personalidade e comportamento dependendo de quão quente ou frio fica? Esse é o quebra-cabeça que os cientistas enfrentam com sistemas de "armazenamento de energia térmica latente" — baterias gigantes que armazenam calor ao derreter materiais como sal ou cera. Esses sistemas são incrivelmente eficientes, mas notoriamente difíceis de monitorar porque seus interiores estão escondidos e seu comportamento é amplamente não linear, o que significa que uma pequena mudança na entrada pode causar uma mudança enorme e imprevisível de temperatura.

Para resolver isso, os engenheiros geralmente tentam construir modelos matemáticos complexos que mimetizam a física do processo de derretimento, ou dependem de redes de sensores caras e desordenadas. Mas há uma maneira mais inteligente e moderna: usar dados para encontrar padrões ocultos. Pense nisso como tirar uma foto borrada e caótica de uma tempestade e usar um filtro especial para transformá-la em um gráfico de linha reta e claro que prevê a próxima rajada de vento. Este artigo apresenta um "filtro" inteligente chamado Observador de Estado Linear baseado em KOOPMAN. É um método que pega um sistema não linear e bagunçado e o "eleva" para uma dimensão superior onde o caos parece linhas retas e simples. Uma vez que o caos é endireitado, a equipe pode usar matemática simples e confiável (o tipo usado em engenharia básica) para adivinhar as temperaturas ocultas dentro do pote apenas olhando para o ar soprando para fora. É como transformar um novelo de lã emaranhado em uma linha reta para que você possa facilmente puxar a ponta que precisa.

Os pesquisadores, liderados por Mustapha Habib e sua equipe, aplicaram essa ideia a uma unidade de armazenamento de calor do mundo real preenchida com um material especial à base de sal chamado SP31. Este material atua como uma esponja térmica, absorvendo calor conforme derrete e liberando-o conforme congela. O desafio era que eles tinham apenas um sensor medindo a temperatura da água saindo do sistema, mas precisavam saber a temperatura do material profundamente dentro dele. Eles construíram um "gêmeo digital" do sistema usando uma técnica chamada eDMDc, que aprende como o sistema se comporta ao observá-lo passar por ciclos de carga e descarga. Em vez de tentar modelar diretamente a física complexa do derretimento, eles usaram truques matemáticos "informados pela física" — funções que se parecem com a forma como o derretimento acontece — para elevar os dados para aquela dimensão superior onde as regras se tornam simples e lineares.

Uma vez que o sistema foi "elevado", eles anexaram um "Observador de Luenberger", que é essencialmente um adivinhador inteligente que corrige constantemente suas próprias previsões. Imagine um aluno fazendo uma prova que sabe que o gabarito é ligeiramente diferente de sua resposta; toda vez que ele recebe uma nova pista (a temperatura de saída), ele ajusta sua resposta para chegar mais perto da verdade. A equipe sintonizou esse adivinhador usando um método chamado LQR, que atua como um botão de volume, equilibrando a velocidade com que o adivinhador aprende contra o quanto ele confia nos dados ruidosos do sensor. Eles testaram essa configuração em um laboratório com um tanque de 200 litros, executando-o através de vários cenários com diferentes taxas de fluxo de água (2, 4 e 8 litros por minuto) e temperaturas.

Os resultados foram impressionantes. Quando o sistema estava operando em um ritmo constante, o observador conseguia prever a temperatura da água saindo do tanque com uma precisão incrível, errando por apenas 0,0819 °C. Mais importante ainda, ele reconstruiu com sucesso as temperaturas ocultas do material de derretimento, mantendo o erro médio abaixo de 1,0 °C para a maioria dos sensores. No entanto, o artigo é honesto sobre seus limites. Quando o fluxo de água era aumentado para 8 litros por minuto, ou quando o sistema mudava subitamente do aquecimento para o resfriamento, o "adivinhador" demorava um pouco mais para alcançar a realidade, e os erros cresciam ligeiramente, atingindo até 2,3072 °C para alguns pontos específicos dentro do tanque. Os autores explicam que isso acontece porque algumas partes do tanque estão simplesmente longe demais do único sensor para serem vistas claramente, um pouco como tentar ouvir um sussurro vindo do fundo de uma sala barulhenta.

Crucialmente, o artigo argumenta contra a ideia de que você precisa de um modelo perfeito e pesado em termos de física ou de um sensor em cada canto e fresta para monitorar esses sistemas. Ele também sugere que, embora outros métodos como o Filtro de Kalman Estendido existam, eles podem ser computacionalmente pesados e mais difíceis de ajustar. Esta nova abordagem oferece um "meio termo": não é um bola de cristal perfeita que vê tudo instantaneamente, mas é uma ferramenta robusta e computacionalmente eficiente que transforma um problema não linear e bagunçado em um problema linear gerenciável. Os autores sugerem que, embora este método funcione bem para condições constantes, trabalhos futuros podem combinar este método com outras técnicas baseadas em dados para lidar com intervalos ainda mais amplos de condições operacionais. Por enquanto, é uma maneira promissora de manter um olho no coração oculto das baterias térmicas sem a necessidade de fazer furos nelas.

Resumo Técnico: Projeto de Observador de KOOPMAN-Luenberger para Sistemas Não Lineares com Aplicação em Armazenamento de Energia Térmica Latente

Definição do Problema
A estimativa precisa de estados para sistemas dinâmicos não lineares, particularmente sistemas de Armazenamento de Energia Térmica Latente (LTES) baseados em Materiais de Mudança de Fase (PCMs), permanece um desafio significativo. Esses sistemas exibem fortes não linearidades devido às transições de fase, histerese e gradientes de temperatura espacialmente distribuídos. Em aplicações práticas, os estados internos (como temperaturas específicas do PCM) são amplamente inacessíveis, com o monitoramento sendo frequentemente limitado a medições de contorno esparsas, como as temperaturas de entrada e saída do fluido. As soluções existentes enfrentam compromissos: modelos de alta fidelidade baseados em física (ex: CFD) são computacionalmente proibitivos para uso em tempo real; modelos de ordem reduzida podem sofrer de sensibilidade aos parâmetros; e abordagens puramente baseadas em dados (ex: redes neurais) carecem de interpretabilidade e robustez fora de seus domínios de treinamento. Além disso, observadores não lineares tradicionais (ex: Filtros de Kalman Estendidos) podem ser complexos de ajustar e carecem de garantias de estabilidade global.

Metodologia
Os autores propõem uma estrutura de Observador de Estado Linear Baseado em KOOPMAN (KOOPMAN-LSO). Esta abordagem utiliza a teoria do operador de KOOPMAN para elevar a dinâmica do sistema não linear para um espaço de observáveis de maior dimensão, onde a dinâmica pode ser aproximada como linear. A metodologia procede em três estáções principais:

Elevação Informada pela Física e Identificação por eDMDc:
- O sistema não linear é elevado para um espaço de observáveis de maior dimensão usando funções de base informadas pela física. Especificamente, para a dinâmica de PCM, os autores incorporam uma função Sigmoide para modelar a transição de fase (sólido-líquido) e uma função Gaussiana para modelar a variação na capacidade térmica específica em torno do ponto de fusão.
- Ao contrário da elevação puramente baseada em dados (ex: autoencoders), esta seleção incorpora conhecimento físico prévio para melhorar a generalização e a interpretabilidade.
- Um preditor linear com entradas de controle é identificado neste espaço elevado usando Decomposição de Modos Dinâmicos Estendida com Controle (eDMDc). Isso resulta em um modelo de espaço de estados linear em tempo discreto ( $z_{k+1} = Az_k + Bu_k$ ) que aproxima a dinâmica não linear original.
Síntese do Observador:
- Um observador de Luenberger em tempo discreto é construído dentro do espaço de coordenadas elevado.
- O ganho do observador ( $L$ ) é determinado usando uma formulação de Regulador Quadrático Linear (LQR) dual. Esta abordagem determinística minimiza uma função objetivo que equilibra a convergência do erro de estimativa e a predição da medição, evitando as suposições de ruído estocástico exigidas pelo filtragem de Kalman.
- Os estados elevados estimados são mapeados de volta para os estados físicos (temperaturas do PCM) usando uma matriz de seleção.
Validação Experimental:
- A estrutura foi testada em um sistema LTES de escala laboratorial usando PCM inorgânico SP31.
- O sistema foi submetido a ciclos de carga e descarga com taxas de fluxo de Fluido de Transferência de Calor (HTF) variáveis (2, 4 e 8 l/min).
- O observador foi projetado para reconstruir nove estados de temperatura interna do PCM usando apenas uma única medição: a temperatura de saída do HTF.

Principais Contribuições

Desenvolvimento de Estrutura: A criação de uma estrutura KOOPMAN-LSO que permite a síntese de observadores lineares para sistemas térmicos com entradas de controle.
Elevação Informada pela Física: A introdução de funções de base específicas do domínio (Sigmoide e Gaussiana) para a dinâmica de PCM, aumentando a robustez e a interpretabilidade do modelo em comparação com métodos de caixa-preta baseados em dados.
Design de Ganho Determinístico: A formulação de um observador de Luenberger com ajuste de ganho baseado em LQR no espaço elevado, fornecendo uma estimativa estável e ajustável sem depender de suposições de ruído estocástico.
Validação Experimental: Validação abrangente demonstrando a capacidade de reconstruir estados térmicos internos a partir de medições de contorno esparsas sob condições operacionais realistas e variáveis.

Resultados
O estudo reporta as seguintes métricas de desempenho:

Temperatura de Saída: O observador alcançou uma reconstrução de alta fidelidade da temperatura de saída do HTF, com um Erro Quadrático Médio (RMSE) de apenas 0,0819 °C.
Temperaturas Internas do PCM: Sob condições normais de fluxo (2 l/min), o RMSE para as temperaturas internas do PCM foi geralmente inferior a 1,0 °C.
Sensibilidade à Taxa de Fluxo: A precisão da estimativa diminuiu conforme as taxas de fluxo aumentaram. A 8 l/min, os valores de RMSE para sensores específicos atingiram até 2,3072 °C, particularmente durante transientes rápidos entre carga e descarga.
Limites de Observabilidade: Uma análise de observabilidade revelou um posto de 8/10, indicando que duas direções de temperatura interna são estruturalmente não observáveis a partir da única medição de saída. Consequentemente, o observador captura o conteúdo energético global e tendências médias, mas não consegue resolver de forma única características espaciais finas, como a propagação da frente de fase.
Comportamento Transiente: O observador exibiu desvios temporários durante mudanças bruscas de degrau na temperatura de entrada (alternância entre aquecimento e resfriamento), exigindo um número finito de iterações para estabilizar a dinâmica do erro.

Significância e Alegações
O artigo afirma que o KOOPMAN-LSO oferece um "meio termo" prático entre a modelagem física de caixa-branca complexa e as abordagens puramente de caixa-preta baseadas em dados. Sua principal significância reside na:

Simplicidade Analítica: Ao transformar a dinâmica não linear em uma representação linear, a estrutura permite o uso de ferramentas de controle e estimativa lineares maduras e analiticamente simples (observadores de Luenberger, LQR), que fornecem garantias de estabilidade mais fortes do que as alternativas não lineares como o EKF.
Eficiência Computacional: A abordagem é computacionalmente leve, tornando-a adequada para aplicações de monitoramento e controle em tempo real, onde o CFD de alta fidelidade ou a otimização não linear complexa (ex: Estimativa de Horizonte Móvel) são inviáveis.
Robustez à Sensoriamento Esparso: Demonstra que a estimativa precisa de estados térmicos globais (Estado de Carga) é alcançável mesmo com implementação mínima de sensores, desde que o sistema seja elevado utilizando observáveis fisicamente significativos.

Os autores reconhecem modestamente que o método não pretende alcançar a precisão absoluta para cada estado não medido, particularmente aqueles que são estruturalmente não observáveis. Eles observam que o desempenho é limitado pela força das dependências funcionais entre as medições esparsas e as entradas do sistema. O trabalho futuro é identificado como a investigação da integração da Identificação de Dinâmica Não Linear Esparsa (SINDy) para aumentar ainda mais a interpretabilidade e estender a validade dos modelos através de janelas operacionais mais amplas.

Mais como este