IA Informada por Física Aumenta Eficiência e Produtividade de Secador para Produção de Etanol

Um produtor agrícola de energia etanol que precisava otimizar o desempenho do secador adotou um modelo de inteligência artificial (IA) informado por física da Rockwell Automation. O controlador de malha fechada deslocou a carga de secagem do secador de fábrica para o evaporador e foi personalizado para reduzir perdas de calor. O resultado: aumento de 12% na produtividade e aumento de quase 10% na eficiência energética, disse a Rockwell.

Simulações de IA informadas por física, como redes neurais informadas por física (PINNs), estão começando a substituir modelos de rede neural artificial (ANNs), que são considerados modelos de caixa preta. Modelos informados por física produzem previsões mais precisas e confiáveis que simulações ANN.

Ambos os modelos são orientados a dados, mas ANNs requerem vastas quantidades de dados operacionais, disse Herman Van der Auweraer, diretor de inovação tecnológica na Siemens Digital Industries Software.

Modelos de rede neural artificial também são muito complexos e podem levar muito tempo para adquirir um benchmark de dados, disse Robert X. Gao, professor e chefe do departamento de engenharia mecânica e aeroespacial na Case Western Reserve University.

"A falta de transparência e interpretabilidade de modelos de IA/aprendizado de máquina [ML] tem sido bem reconhecida como um gargalo para a adoção generalizada de IA/ML na manufatura. Inerentemente, a manufatura é sobre aplicar princípios e leis físicas para processar materiais em produtos úteis para aplicações industriais ou comerciais", disse ele.

Embora algumas pessoas possam descrever redes neurais como IA, redes neurais são simplesmente uma maneira muito inteligente de prever entre pontos de dados conhecidos (interpolação), disse Peter Mas, diretor de serviços de engenharia na Siemens Software. Usando ANN, prever valores com precisão para pontos fora do intervalo de dados (extrapolação) não é possível, disse ele.

Por exemplo, eventos como falhas de turbinas eólicas que ocorrem raramente não são capturados pelos dados e podem levar a representação errônea, disse Van der Auweraer.

"Nenhuma técnica de rede neural pode prever em áreas onde nunca esteve antes", disse Mas. "Para fazer isso, você precisa incluir a lei da física que lhe dirá qual tendência a extrapolação terá que seguir."

Se um modelo de caixa preta tem poucos dados, ele não capturará o comportamento adequado do sistema sendo modelado, disse Bijan Sayyar Rodsari, diretor de análises avançadas na Rockwell Automation.

Mas simplesmente jogar mais dados em um sistema de caixa preta nem sempre é a resposta.

Se não protegido contra sobretreinamento, tal sistema agarra-se a cada anomalia nos dados e falha em fazer previsões precisas, disse ele. Sobre anomalias, frequentemente um fabricante não tem a chance de coletar uma quantidade extensiva de dados porque a máquina é desligada assim que uma anomalia é descoberta, ele adicionou.

Por causa da falta de dados e insight, fabricantes usando sistemas de caixa preta não empurrarão máquinas até o ponto ideal para eficiência máxima, escolhendo em vez disso errar bem dentro da margem de segurança, disse Rodsari.

"Seu modelo puramente orientado a dados está fadado a ser limitado pelos dados que você coloca nele", disse Rodsari.

Nem estarão dispostos a rodar sistemas de malha fechada, disse ele. "Se o operador não entende o que o modelo está fazendo, eles sempre serão céticos sobre permitir que este modelo rode em malha fechada."

O provérbio russo "Confie, mas verifique" simplesmente não funciona com modelos de caixa preta. Verificar como o sistema de modelagem chegou às suas previsões é quase impossível. Sem a capacidade de verificar entradas e saídas, muitos operadores na manufatura não confiam nos modelos — e com razão, porque os resultados podem não ser precisos.

A única maneira de saber com certeza se o processamento inicial estava correto é por tentativa e erro, disse Rodsari.

Aqui está um exemplo simples de Mas: Se um modelo avançado de rede neural tem dados mostrando que quatro maçãs pesam 1 quilograma e oito maçãs pesam 2,1 kg, o modelo pode provavelmente prever corretamente o peso de seis maçãs porque seis cai dentro de seus pontos de dados conhecidos e faz parte da tendência linear. Mas se consultado sobre o possível peso de 12 maçãs (um número fora de seus pontos de dados), o modelo ANN dará uma resposta, mas potencialmente 5 kg, ou outro número fora da base, em vez da previsão mais razoável de 3-3,3 kg.

"Estes modelos de caixa preta provaram ser difíceis de interpretar", disse Rodsari. "Embora bons para criar correspondência para variáveis de interesse, eles não são úteis para explicar esse relacionamento. Isso dificulta a capacidade de pessoas que têm que colocar esses modelos em uso e fazer um julgamento sobre se os resultados estão corretos ou não. Para a maioria das aplicações no espaço de manufatura, você precisa da capacidade de convencer operações de que este relacionamento é significativo, ajudá-las a ter um meio de monitorar a qualidade, e prevenir decisões que vão ser danosas para a operação.

"Você precisa da capacidade de fornecer alguma visibilidade na natureza do modelo para que o operador possa confiar nele."

Menos é Mais

Enquanto isso, simulações de IA informadas por física podem fazer previsões baseadas em significativamente menos dados porque usam dados de maior qualidade e mais relevantes para a máquina e o problema em questão.

Como o nome implica, IA informada por física incorpora dados relevantes, leis físicas e conhecimento prévio, como parâmetros de desempenho e normas da máquina sendo modelada, disse Gao.

"As leis da física contêm uma enorme riqueza de informação de forma muito condensada", disse Van der Auweraer. "Métodos de simulação baseados em física estão usando estas leis da física. Então, eles podem dar um começo extremamente poderoso para sistemas de IA trazendo este conhecimento em vez de ter que esperar até que dados representativos suficientes cheguem."

Com esse conhecimento físico codificado, modelos de IA informados por física podem fazer previsões baseadas em menos dados, disse Rodsari.

"Queremos construir modelos que sejam úteis para fabricantes em tempo real", disse ele.

Modelos de IA informados por física permitem que a IA aprenda com dados em processo, emulando um cérebro aprendendo, e podem melhorar à medida que mais dados se tornam disponíveis, disse Mas.

Engenheiros de manufatura podem então modificar e adaptar suas estruturas e sistemas existentes para fazer o modelo funcionar para sua fábrica.

"Quando você observa dados, tipicamente há relacionamentos que você conhece, especialmente para um engenheiro", disse Mas. "Há física conhecida e física desconhecida. É assim que a IA informada por física funciona. Em vez de apenas tratar as relações completas de dados como uma caixa preta, você também pode impor algumas equações físicas nos dados como 'conservação de energia' ou coisas mais complexas, como 'comportamento tipo onda', para que o algoritmo de aprendizado de máquina balanceie entre os dados e a física. Isso é tipicamente feito através de uma função de perda, que é a função alvo para o algoritmo minimizar erro com dados enquanto satisfaz a física."

PINN Começando a Impactar Manufatura

As primeiras aplicações PINN estão emergindo em processos de manufatura com modelos e relações complexas, como na manufatura aditiva, disse Van der Auweraer.

Outros adotantes iniciais serão na indústria de alimentos ou processamento farmacêutico onde processos complexos podem dificultar uma abordagem baseada puramente em simulação e onde a IA em uma abordagem PINN pode produzir resultados promissores, disseram Van der Auweraer e Mas.

Modelos PINN também podem complementar ou substituir testes de laboratório e design intensivos em mão de obra, disse Mas, combinando os pontos fortes existentes de testes de laboratório e os benefícios de simulações baseadas em física para projetar com precisão novos materiais e produtos em muito menos tempo usando menos testes de laboratório.

Caixa Cinza Vista como Possibilidade

O maior desafio é que o aprendizado de máquina está sendo feito hoje por cientistas de dados que escrevem scripts em sua linguagem de ciência de dados preferida, disse Mas, em oposição a disponível e acessível ao engenheiro que desenvolve um produto através de plataformas de baixo código orientadas a aplicação como o aplicativo ROM Building que a Siemens está atualmente desenvolvendo dentro de seu portfólio Simcenter.

"Você pode começar com a estrutura genérica", disse Gao. "A inovação cabe aos engenheiros modificar e adaptar criativamente."

A abordagem mais poderosa pode ser combinar as relações de física dentro da rede neural artificial, complementando essa rede ou como uma camada ou estrutura específica dentro da rede neural, disse Van der Auweraer.

Isso transformaria a caixa preta em uma caixa cinza.

"Tal rede poderia começar a ser treinada a partir de simulações de alta qualidade. Pode conter relações de física internas para uma rede mais condensada e poderosa que também será treinada mais rápido e pode, em última análise, ser ainda mais treinada por quaisquer dados que possam vir durante seu ciclo de vida", disse ele.