Estimação de parâmetros no problema de dispersão de poluentes com Redes Neurais Informadas por Física

Autores

DOI:

https://doi.org/10.5902/2179460X74615

Palavras-chave:

Problema Inverso, Estimação de parâmetros, Redes neurais informadas por física

Resumo

Neste trabalho, é estudado o problema inverso de estimação de parâmetros na equação de advecção-dispersão-reação, modelando a dispersão de poluentes em um rio, com uma abordagem por Redes Neurais. No problema direto, os parâmetros de dispersão, velocidade e reação são conhecidos e, então, o problema de valor inicial e de fronteira é resolvido empregando métodos numéricos clássicos, onde esta solução é usada como dado de entrada para a formulação do problema inverso. No problema inverso, são conhecidos os parâmetros de dispersão e velocidade, bem como a informação sobre a concentração do poluente a partir de dados experimentais sintéticos, onde o objetivo é estimar o parâmetro de reação na equação de advecção-dispersão-reação. Este problema inverso é resolvido por uma Rede Neural Artificial (ANN - Artificial Neural Network) e por uma Rede Neural Informada por Física (PINN - Physics-Informed Neural Network), sendo esta um tipo especial de rede neural que inclui, em sua formualção, as leis físicas que descrevem o fenômeno envolvido. Experimentos numéricos relacionados com ambas ANN e PINN são apresentados, demonstrando a viabilidade da abordagem considerada.

Downloads

Biografia do Autor

Roberto Mamud Guedes da Silva, Universidade Federal do Rio de Janeiro

Roberto Mamud is professor at Polytechnic Institute, Universidade Federal do Rio de Janeiro since 2013.
He is Bachelor and Master in Mathematics, both from Federal University of Rio de Janeiro and Doctor of Science in Nuclear Engineering at Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa em Engenharia. Professor Roberto Mamud main current research areas are: Inverse Problems; Heat and Mass Transfer; Computational Intelligence.

Helio dos Santos Migon, Universidade Federal do Rio de Janeiro

Emeritus professor Helio S. Migon works at the Universidade Federal do Rio de Janeiro. In addition to his M.Sc. in Statistics from Universidade de São Paulo, he also received a doctorate in Statistics from Warwick University in the UK. Applied probability and statistics,  are the main research interests for Professor Helio S. Migon right presently. These topics mainly include Bayesian inference, dynamic models and forecasting, finite population sampling, applied econometrics in finance, and actuarial science.

Antônio José da Silva Neto, Universidade do Estado do Rio de Janeiro

Antônio J. Silva Neto is a Full Professor in the Department of Mechanical Engineering and Energy, Polytechnic Institute, Universidade do Estado do Rio de Janeiro. He has Ph.D. in Mechanical Engineering (North Carolina State University), with a minor in Computational Mathematics; M.Sc. in Nuclear Engineering (Universidade Federal do Rio de Janeiro); and Mechanical/Nuclear Engineer (UFRJ). His main current research areas are: Inverse Problems; Heat and Mass Transfer; Radiative Transfer; Computational Intelligence; and Environmental Modelling.

Referências

Abadi, M., Agarwal, A., Barham, P., et. al (2015). Tensorflow: Large-scale machine learning on heterogeneous systems. Software available from tensorflow.org.

Baydin, A. G., Pearlmutter, B. A., Radul, A. A., Siskind, J. M. (2018). Automatic differentiation in machine learning: a survey. Journal of Machine Learning Research, 18, 1–43.

Chollet, F. (2018). Deep Learning with Python, 1st edn. Manning Publications, Shelter Island, NY.

Colton, D., Kress, R. (2013). Inverse Acoustic and Electromagnetic Scattering Theory, 3rd edn. Springer, New York. DOI: https://doi.org/10.1007/978-1-4614-4942-3

Evans, L. C. (1998). Partial Differential Equations, 1st edn. Americal Mathematical Society.

Goodfellow, I., Bengio, Y., Courville, A. (2017). Deep Learning, 1st edn. MIT Press, Cambridge, MA.

Hadamard, J. (1902). Sur les problèmes aux dérivées partielles et leur signification physique. Princeton University Bulletin, pp. 49–52.

Isakov, V. (1990). Inverse Source Problem, 1st edn. American Mathematical Society, Providence, Rhode Island. DOI: https://doi.org/10.1090/surv/034

Kingma, D. P., Ba, J. L. (2015). Adam: A method for stochastic optimization. In: Proceedings of the International Conference on Learning Representations - ICLR 2015, San Diego, California.

LeCun, Y., Bengio, Y., Hinton, G. (2015). Deep learning. Nature, 521, 436–444. DOI: https://doi.org/10.1038/nature14539

Li, Z., Liu, F., Yang, W., Peng, S., Zhou, J. (2022). A survey of convolutional neural networks: Analysis, applications, and prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12), 6999–7019. DOI: https://doi.org/10.1109/TNNLS.2021.3084827

Maas, A. L., Hannun, A. Y., Ng, A. Y. (2013). Rectifier nonlinearities improve neural network acoustic models. In: Proceedings of the 30 th International Conference on Machine Learning, Atlanta, Georgia, USA.

Moura Neto, F. D., Silva Neto, A. J. (2013). An Introduction to Inverse Problems with Applications, 1st edn. Springer, New York. DOI: https://doi.org/10.1007/978-3-642-32557-1_1

Nielsen, M. A. (2015). Neural Networks and Deep Learning, 1st edn. Determination Press.

Raissi, M., Perdikaris, P., Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse probems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686–707. DOI: https://doi.org/10.1016/j.jcp.2018.10.045

Rojas, C. J., Bittencourt, M. L., Boldrini, J. L. (2021). Parameter identification for a damage model using a physics informed neural network. arXiv:210708781v1, pp. 1–31.

Downloads

Publicado

2023-12-01

Como Citar

Silva, R. M. G. da, Migon, H. dos S., & Silva Neto, A. J. da. (2023). Estimação de parâmetros no problema de dispersão de poluentes com Redes Neurais Informadas por Física. Ciência E Natura, 45(esp. 3), e74615. https://doi.org/10.5902/2179460X74615

Edição

v. 45 n. esp. 3 (2023): XXV ENMC - XIII ECTM - IX MCSul - IX SEMENGO

Seção

Edição Especial

Licença

Copyright (c) 2023 Ciência e Natura

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.

 

Diretrizes Éticas para Publicação de Revistas

A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.

A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.

Em particular, 

Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.

Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.

Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.

Artigos mais lidos pelo mesmo(s) autor(es)