Resumo Técnico: Calibração Sensível ao Estado e ao Tempo (TISAC)

1. Definição do Problema

A modelagem baseada em física de sistemas de engenharia frequentemente depende de equações governantes que ligam variáveis de estado (condições operacionais) e parâmetros de entrada incertos às respostas do sistema. No entanto, discrepâncias entre as previsões do modelo e a realidade surgem de parâmetros incertos, má especificação de parâmetros e representações físicas incompletas.

Estruturas tradicionais de calibração de modelos, como a abordagem seminal de Kennedy e O'Hagan (KOH), tipicamente assumem que os parâmetros de calibração são constantes globais ou variam apenas com o tempo ou estado de forma independente. Essa suposição é insuficiente para muitos sistemas de engenharia modernos (ex: baterias em degradação, motores aeroespaciais envelhecidos ou inversores conectados à rede) onde os parâmetros evoluem conjuntamente com o estado e o tempo do sistema. Quando os parâmetros são tratados como estáticos ou puramente dependentes do tempo, enquanto são, na verdade, dependentes do estado, o processo de calibração sofre de confundimento (confounding): o modelo não consegue distinguir entre erros causados por valores de parâmetros incorretos e erros causados por deficiências estruturais do modelo (discrepância). Isso leva a estimativas de parâmetros enviesadas e baixo desempenho preditivo sob condições operacionais variáveis.

Além disso, os métodos existentes frequentemente dependem de Processos Gaussianos (GPs) para emulação e modelagem de discrepância. Embora sejam analiticamente tratáveis, os GPs enfrentam gargalos computacionais (complexidade de tempo cúbica, $O(n^3)$) com dados de séries temporais de alta dimensão ou extensos, o que muitas vezes exige redução de dimensionalidade que assume estacionaridade.

2. Metodologia: Estrutura TISAC

Os autores propõem a Calibração Sensível ao Estado e ao Tempo (TISAC), uma estrutura que modela explicitamente os parâmetros de calibração como funções tanto do estado do sistema $x$ quanto do tempo $t$, enquanto infere simultaneamente um campo de discrepância dependente do tempo e do estado.

2.1 Formulação Matemática

O modelo de observação é formulado como:
$$y_{obs}(t, x) = \eta(t, x, \theta_t(x, t), \theta_s(t)) + \delta(x, t) + \epsilon(t)$$
Onde:

• $\eta$ é o modelo baseado em física.
• $\theta_t(x, t)$ representa parâmetros que evoluem com ambos o estado e o tempo.
• $\theta_s(t)$ representa parâmetros que evoluem apenas com o tempo.
• $\delta(x, t)$ é o campo de discrepância do modelo.
• $\epsilon(t)$ é o ruído experimental.

2.2 Arquitetura de Rede Neural Co-evoluinte

O TISAC emprega uma arquitetura unificada de três redes neurais feed-forward que co-evoluem durante o treinamento:

1. Redes de Parâmetros ($NN_{\theta_t}, NN_{\theta_s}$): Elas inferem os campos de calibração. São estruturadas para fornecer estimativas pontuais limitadas, corrigidas de priors estruturais usando uma ativação tangente hiperbólica para confinar os resíduos.
2. Rede de Discrepância ($NN_{\delta}$): Esta infere o campo de discrepância $\delta(x, t)$, regularizado para capturar erros sistemáticos e suaves de forma de modelo, em vez de ruído aleatório.
3. Rede de Resposta (Opcional): Em casos onde uma equação governante diferenciável explícita não está disponível (ex: o caso do sistema de potência), uma rede substituta (surrogate) mapeia entradas e parâmetros inferidos para saídas. Em testes sintéticos, a resposta é obtida integrando a EDO utilizando um esquema Euler progressivo diferenciável.

2.3 Função de Perda e Regularização

A estrutura minimiza uma função de perda de objetivo conjunta ($L_{total}$) composta por vários termos:

• Perda de Ajuste de Dados ($L_y$): Mede a diferença entre as respostas previstas e observadas, escalonada por desvios padrão empíricos.
• Priors Estruturais ($L_{\theta, prior}$): Codifica classes de dependência esperadas e tendências suaves.
• Penalidades de Suavidade e Intervalo ($L_{\theta, smooth}, L_{\theta, range}$): Impõe admissibilidade física e suavidade no espaço e no tempo.
• Regularização de Discrepância ($L_{\delta}$): Inclui penalidades de energia, suavidade (primeiras e segundas derivadas), borda (zeramento de fronteira) e penalidades espectrais. A penalidade espectral suprime componentes de alta frequência na discrepância para evitar que ela absorva o ruído de medição ou sofra overfitting.
• Perda de Separação ($L_{sep}$): Uma inovação crítica que penaliza o alinhamento entre o vetor de discrepância e os vetores de sensibilidade dos parâmetros de calibração. Isso incentiva a discrepância a corrigir erros estruturais em direções ortogonais às variações de parâmetros, reduzindo assim o confundimento.

2.4 Otimização e Codificação

Para abordar o viés espectral das redes neurais feed-forward (que têm dificuldade em aprender variações de alta frequência), as entradas são mapeadas usando codificação posicional de Fourier. A otimização utiliza o gradiente descendente estocástico (Adam) com mini-lotes (mini-batching), uma fase de aquecimento (warmup) e um cronograma de decaimento de taxa de aprendimento de cosseno para garantir a convergência estável.

3. Principais Contribuições

1. Calibração Conjunta Estado-Tempo: A estrutura desmembra explicitamente parâmetros que evoluem conjuntamente com o estado e o tempo, abordando uma lacuna na literatura onde a dependência temporal e a dependência de estado eram tratadas separadamente.
2. Redução do Confundimento: Ao introduzir uma perda de separação baseada em vetores de sensibilidade de EDO e impor priors estruturais, o TISAC reduz significativamente os problemas de identificabilidade entre os parâmetros de calibração e a discrepância do modelo.
3. Surrogates Neurais Escaláveis: Substituir Processos Gaussianos por redes neurais permite lidar eficientemente com dados de séries temporais de alta dimensão sem o custo computacional cúbico da inversão de matriz de covariância.
4. Restrições Informadas pela Física: O método integra a física governante (via integração de EDO ou análise de sensibilidade) diretamente na função de perda, garantindo a inferência de parâmetros fisicamente significativos.

4. Resultados

4.1 Estudo de Caso Acadêmico (Benchmark Sintético)

A estrutura foi testada em um sistema de EDO sintético com valor real conhecido para parâmetros e discrepância.

• Desempenho: O TISAC recuperou com sucesso os campos de calibração variantes no estado/tempo e a discrepância reais.
• Comparação: Comparado a uma calibração Bayesiana padrão do tipo KOH (usando emuladores GP e parâmetros constantes), o TISAC reduziu drasticamente os erros de previsão. Para o caso de teste (Medição 3), o Erro Quadrático Médio (RMSE) da resposta caiu de 63,83% (Bayesiano) para 3,21% (TISAC).
• Inferência de Parâmetros: O erro na inferência do parâmetro de calibração diminuiu de 22,31% para 1,83%, e o erro de inferência da discrepância caiu de 33,63% para 14,48%, demonstrando a eficácia do mecanismo de separação.
• Cenários de Dados: A estrutura manteve-se robusta em diferentes densidades de amostragem de dados (rico em estado vs. rico em tempo) e lacunas de dados esparsos.

4.2 Aplicação em Sistemas de Potência

O método foi aplicado a um modelo de alta fidelidade de um inversor formador de rede em um sistema integrado de transmissão e distribuição.

• Configuração: O modelo inferiu impedância de rede (dependente do tempo) e inércia de rede (dependente do estado e do tempo) sob variadas condições de carga.
• Resultos:
  • Região de Treinamento: O RMSE normalizado para potência, tensão e frequência diminuiu de ~96-108% (pré-calibração) para 1,4%, 1,1% e 0,9% respectivamente.
  • Região de Holdout: O modelo manteve a precisão em segmentos operacionais não vistos e passos de tempo futuros, com erros reduzidos para 10,9% (potência), 9% (tensão) e 9,5% (frequência).
  • Discrepância: A discrepância inferida capturou corretamente a direção dos erros de forma de modelo na região de holdout, fornecendo as correções necessárias para melhorar as previsões de resposta.

5. Significância e Alegações

O artigo afirma que o TISAC oferece uma abordagem fundamentada na física para o monitoramento de desempenho e gestão operacional de sistemas de engenharia dinâmicos. Sua principal significância reside na capacidade de:

• Apoiar a tomada de decisão mais confiável sob mudanças nas condições operacionais do mundo real, separando com precisão a incerteza do parâmetro do erro estrutural do modelo.
• Fornecer uma alternativa escalável à calibração baseada em Processos Gaussianos para sistemas complexos e em evolução temporal.
• Viabilizar o desenvolvimento de fluxos de trabalho de "gêmeos digitais fisicamente fundamentados" para sistemas onde os parâmetros não são estáticos, mas co-evoluem com os estados do sistema.

Os autores observam que a metodologia é atualmente mais aplicável a sistemas com dinâmicas estáveis e comportamento de resíduo suave, sendo necessário trabalho futuro para abordar respostas rápidas e descontínuas. A estrutura é apresentada como um passo em direção a uma calibração mais robusta para domínios complexos, como propulsão aeroespacial, manufatura inteligente e monitoramento de baterias.