[pt] IDENTIFICAÇÃO NÃO LINEAR HÍBRIDA DE SISTEMAS MECÂNICOS COM MODELOS FÍSICOS E DE APRENDIZADO DE MÁQUINA

[en] NONLINEAR SYSTEM IDENTIFICATION OF HYBRID MACHINE LEARNING AND PHYSICAL MODELS FOR MECHANICAL SYSTEMS

[pt] DANIEL HENRIQUE BRAZ DE SOUSA

[pt] SISTEMA NAO LINEAR

[pt] REDES NEURAIS ARTIFICIAIS

[pt] IDENTIFICACAO DE SISTEMAS

[pt] MODELOS HIBRIDOS

[en] NONLINEAR SYSTEM

[en] ARTIFICIAL NEURAL NETWORKS

[en] SYSTEM IDENTIFICATION

[en] HYBRID MODELS

[pt] Existe uma crescente demanda por modelos dinâmicos precisos, parte impulsionada pelo paradigma da indústria 4.0 que introduz, dentre outros, o conceito de gêmeo digital no qual modelos dinâmicos possuem um papel importante. Idealmente, um modelo dinâmico apresenta um compromisso entre complexidade e precisão, enquanto proporciona informações sobre a física do sistema. Para melhorar a precisão de um modelo mantendo a interpretabilidade, a abordagem usual é modelar matematicamente todas não-linearidades, o que leva a um modelo muito complexo. Outra abordagem envolve identificação caixa-preta, uma abordagem onde um modelo matemático é ajustado para descrever a relação de entrada e saída do sistema, a qual pode fornecer um modelo preciso, porém não interpretável. Os avanços na capacidade de processamento computacional permitiram o florescimento da area de aprendizado de máquinas, a qual tem mostrado resultados interessantes em diferentes campos do conhecimento. Uma dessas aplicações é em identificação caixa-preta, onde o aprendizado de máquinas tem sido empregado com sucesso na modelagem de sistemas não-lineares, o que tem inspirado pesquisas sobre o tema. Apesar dos modelos baseados em aprendizado de máquina apresentarem elevada precisão, o que é suficiente para diversas aplicações, eles não são interpretáveis. Dessa forma, visando obter modelos que possuem ambas as características de precisão e interpretabilidade, enquanto mantém um compromisso com a complexidade, esta tese propõe uma metodologia de identificação híbrida que combina um modelo fenomenológico caixa cinza com um modelo caixa preta baseado em redes neurais artificiais. A metodologia proposta é aplicada em três casos de estudo de sistemas não lineares com dados experimentais, a saber, a dinâmica vertical de um veículo, um atuador com junta flexível baseado em elastômero e um sistema de posicionamento eletromecânico. Os resultados mostram que o modelo híbrido proposto é até 60 por cento mais preciso enquanto proporciona a interpretabilidade física do sistema, sem aumentar significativamente a complexidade do modelo.

[en] There is a growing demand for accurate dynamic models, driven by the Industry 4.0 paradigm that introduces, among others, the concept of the digital twin in which dynamic models play an important role. Ideally, a dynamic model presents a compromise between complexity and accuracy, while providing physical insight into the system. To improve a model accuracy while keeping interpretability, the usual approach is to mathematically model all the nonlinearities, which ultimately leads to an overcomplex model. Another approach involves a black-box identification, a data-driven approach where a mathematical model is adjusted to describe the system s input-output relation, which may provide an accurate model, but it does not provide interpretability. The developments in computational processing capacity have allowed the flourishing of the field of machine learning, which has shown interesting results in different fields of knowledge. One of these applications is black-box identification, where machine learning has successfully been employed in the modeling of nonlinear systems, which has inspired research on the topic. Even though the machine-learning-based models present enhanced accuracy, which for several applications is sufficient, they do not provide interpretability. Aiming at providing both accuracy and interpretability while keeping a compromise with model complexity, this work proposes a hybrid identification methodology that combines a gray-box phenomenological model with a black-box model based on artificial neural networks. The proposed methodology is applied in three case studies of nonlinear systems with experimental data, namely, the vertical dynamics of a vehicle, an elastomer-based series elastic actuator, and an electromechanical positioning system. The results show that the proposed hybrid model is up to 60 percent more accurate while providing the physical interpretability of the system, without significantly increasing the complexity of the model.

HELON VICENTE HULTMANN AYALA

MARCO ANTONIO MEGGIOLARO

LEANDRO DOS SANTOS COELHO

GUSTAVO SIMAO RODRIGUES

HELON VICENTE HULTMANN AYALA

ELIAS DIAS ROSSI LOPES

2023-05-16

2023-03-06

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62550@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=62550@2

https://doi.org/10.17771/PUCRio.acad.62550