Modelado y control sustituto impulsado por sensores de sistemas dinámicos no lineales utilizando FAE-CAE-LSTM y...

Área de la Ciencia:

• Sistemas cibernéticos y físicos
• Dinámica no lineal
• Dinámica de fluidos computacional

Sus antecedentes:

• El control en tiempo real de ecuaciones diferenciales parciales no lineales (EPD) es un desafío debido a la escasez de datos y la alta dimensionalidad.
• El aprendizaje por refuerzo profundo (DRL) muestra potencial, pero requiere un entrenamiento computacionalmente intensivo en simulaciones de orden completo.

Objetivo del estudio:

• Desarrollar un marco eficiente desde el punto de vista computacional y basado en sensores para el control basado en DRL de sistemas dinámicos no lineales.
• Permitir el control en tiempo real mediante el modelado de orden reducido no intrusivo (NIROM).

Principales métodos:

• Se introdujo FAE-CAE-LSTM: un marco que combina autoencoders y LSTM para la compresión de estados y la evolución temporal.
• Agentes DRL entrenados en un espacio latente reducido utilizando mediciones espaciotemporales similares a los sensores.
• Empleó un estimador de recompensa CNN-MLP para retroalimentación basada en datos sin necesidad de ecuaciones de gobierno.

Principales resultados:

• Se ha demostrado una reconstrucción precisa del estado y un control robusto de los sistemas de referencia (por ejemplo, ecuación de Burgers, flujo de los cilindros anteriores).
• Logró una aceleración computacional significativa en comparación con el entrenamiento tradicional basado en la simulación.
• Se ha validado la eficacia del sustituto FAE-CAE-LSTM para el control escalable de DRL.

Conclusiones:

• El marco FAE-CAE-LSTM permite efectivamente un control en tiempo real, basado en sensores y escalable basado en DRL.
• Este enfoque supera las limitaciones de la escasez de datos y la alta dimensionalidad en los sistemas ciberfísicos.
• El método ofrece un avance significativo para el control de sistemas dinámicos complejos no lineales.