Análisis híbrido: un conjunto de herramientas para crear gemelos digitales híbridos

Un gemelo digital híbrido es un gemelo digital que combina física y datos. En otras palabras, los gemelos digitales híbridos no se basan solo en la simulación o el aprendizaje automático (ML), sino que aprovechan ambos métodos para aprovechar todo el conocimiento disponible sobre un sistema. La ingeniería informa un modelo físico, mientras que los datos proporcionan nuevos conocimientos para informar ese modelo. Las técnicas y herramientas disponibles para combinar física y datos constituyen un conjunto de herramientas llamado análisis híbrido.

Al usar Ansys Twin Builder y el conjunto de herramientas de análisis híbrido, puede aumentar la precisión de su gemelo digital hasta en un 98 % o más.

El análisis híbrido es un conjunto de herramientas de ML para combinar física y datos de diferentes maneras. Al tomar decisiones más inteligentes al seleccionar sus datos de entrenamiento y técnicas de ML, puede abrir nuevas posibilidades para su gemelo digital híbrido. Un área donde esto es más evidente es en el modelado de fusión, es decir, la combinación de al menos dos tipos diferentes de datos para entrenar un modelo ML.

Modelado de fusión: fusión de física y datos

Para crear un modelo de ML, un usuario proporciona datos de entrada/salida (E/S) y un algoritmo de ML crea una relación entre los datos de E/S que se pueden reutilizar para predecir nuevas salidas de diferentes entradas. Naturalmente, tanto la elección de los datos de entrenamiento como la elección del algoritmo afectan la calidad del resultado. Por ejemplo, los modelos de orden reducido (ROM) generalmente se construyen utilizando datos simulados y, a menudo, utilizan técnicas que se basan en las ecuaciones físicas o la estructura subyacente a los modelos de simulación. Otras técnicas estadísticas son mejores para datos de sensores donde hay ruido. En el modelado de fusión, se utilizan al menos dos fuentes de datos diferentes para entrenar un modelo. Esto puede significar combinar diferentes tipos de datos simulados o combinar datos de simulación y datos de sensores. En cualquier caso, la combinación de múltiples fuentes de datos permite crear modelos ML más ricos para más aplicaciones.

Fusión: modelado residual

El uso de datos simulados y de sensores es deseable cuando queremos preservar la información conocida sobre el sistema a través del modelado físico y aprender de los datos disponibles. Los modelos de simulación basados en la física son excelentes gemelos digitales cuando la física subyacente de un componente o sistema se comprende bien y se puede modelar con ecuaciones conocidas. Sin embargo, en la práctica, los modelos físicos completos pueden ser difíciles de lograr por una variedad de razones, que incluyen:

• + Fricción o pérdidas no entendidas completamente.
• + Geometría no capturada completamente.
• + Efectos ambientales no modelados.
• + Degradación con el tiempo.

Por ejemplo, esto podría incluir la incertidumbre de la constante de un motor, la inercia de varios componentes o la cantidad de fricción en la pared interior de un tubo. En estas situaciones, el primer enfoque para encontrar una solución es tratar de aprender los parámetros de un modelo físico a partir de los datos disponibles. Las técnicas de ML le permiten aprender valores de parámetros más precisos a partir de datos y proporcionar estimaciones para esos parámetros.

Un beneficio clave de este enfoque es que el conocimiento del comportamiento físico se conserva completamente en el modelo. La información que se aprende de los datos está contenida en los valores de los parámetros del modelo. Por lo tanto, incluso si un modelo no representa completamente la física y hace todo lo posible para compensar ajustando los parámetros, el comportamiento aprendido es explicable al menos en el contexto de ese modelo y en relación con otros valores de parámetros. En consecuencia, los diseñadores e ingenieros obtienen mejores conocimientos sobre las causas fundamentales de los problemas y el comportamiento del sistema.

Incluso los modelos físicos mejor concebidos a veces pueden fallar en capturar completamente el comportamiento real de un sistema. Específicamente, cuando hay física no modelada presente en el sistema, aprender mejores valores de parámetros aún no es suficiente para alcanzar el nivel de precisión necesario para una aplicación. Aquí es donde un modelo de fusión puede ayudar proporcionando predicciones muy precisas.

Cuando todavía queda una brecha entre las predicciones de un gemelo calibrado y el comportamiento esperado, puede crear un modelo de fusión para simular la diferencia entre las predicciones del gemelo y los datos que representan el comportamiento objetivo. Este tipo de modelado de fusión a menudo se denomina modelado residual. En un modelo residual de fusión, las dos fuentes de datos diferentes son las predicciones del modelo físico y los datos experimentales. Por esta razón, el modelado residual se usa más para lograr predicciones más precisas en escenarios hipotéticos.

Un beneficio principal de este enfoque es que toda la física que se conoce para un sistema aún se conserva, pero los datos pueden ayudarlo a modelar lo que queda debido a efectos desconocidos o mal entendidos en el sistema, es decir, los datos residuales. Es importante tener en cuenta que la porción de fusión del modelo en general no explicará lo que falta, pero en combinación con las salidas gemelas ofrece predicciones más precisas. De esa manera, la incertidumbre se restringe a la parte del comportamiento que ya se desconocía y no se pierde nada al agregar la pieza ML.

Al aplicar modelos de fusión de esta manera, ML se habilita en un contexto que preserva la física ya conocida. Esencialmente, se puede construir un modelo residual de fusión para compensar un modelo físico muy pobre. En estos casos, el modelo de fusión es más un modelo de datos y, al igual que otros modelos de datos, la física subyacente puede oscurecerse o perderse. Aún así, incluso en este caso, un modelo de física mediocre puede proporcionar al menos algunas restricciones en la pieza de ML.

Fusion para el modelado residual realmente brilla cuando se usa para mejorar modelos que ya brindan una buena fidelidad pero que les falta un 10% más o menos. En este caso, es posible que el modelo de fusión no explique completamente la física del pequeño residuo, pero los principales efectos físicos del sistema se conservan por completo en el gemelo físico y se puede acceder a ellos fácilmente.

Fusión: regresión de multifidelidad

Otra aplicación para el modelado de fusión es la regresión de fidelidad múltiple. En este caso, una fuente de datos se toma como la verdad fundamental y una segunda fuente de datos se aproxima a esa verdad fundamental. La fusión se utiliza cuando los datos reales del terreno son escasos y los datos aproximados son abundantes. Un ejemplo de esto es en las pruebas de banco. La recopilación de datos de prueba puede ser costosa y llevar mucho tiempo. Existe un impulso para llevar la mayor cantidad posible de estas pruebas al ámbito virtual para reducir costos. Los modelos de simulación se pueden usar para reemplazar las pruebas de banco, pero solo si reproducen con precisión el comportamiento real del sistema. Se necesitan al menos algunos puntos de datos de las pruebas de banco para verificar el comportamiento de los modelos de simulación. Si el modelo de simulación no proporciona una coincidencia de fidelidad lo suficientemente alta con los datos de prueba, se puede construir un modelo de fusión para modelar la diferencia entre los datos de prueba y el modelo.

El modelo con la corrección de fusión se puede usar para simular con precisión otros puntos de diseño o escenarios en los que no se realizaron pruebas.

La misma idea se puede utilizar con dos fuentes de datos simulados.

Por ejemplo, un modelo de elementos finitos (FEA) de un motor eléctrico incluye geometría completa y efectos físicos para proporcionar predicciones muy precisas. La contrapartida es que los modelos FEA pueden tardar mucho tiempo en ejecutarse. Esto puede dificultar las pruebas repetidas en muchos escenarios. Los motores también se pueden modelar con una buena aproximación más rápido utilizando suposiciones 1D o 2D.

Un modelo de fusión utiliza ambos tipos de simulación de motor para lograr las mejores predicciones más rápido. Los datos de simulación FEA se utilizan como ancla para el comportamiento correcto de algunos puntos de diseño. Un modelo 1D simula todos los puntos de diseño. El modelo de fusión demuestra la diferencia entre los dos modelos de simulación en los puntos de diseño. El modelo 1D, más la corrección de fusión, es entonces una predicción precisa para los demás puntos de diseño. La cantidad de puntos de diseño necesarios en el modelo FEA depende de la correlación entre los resultados de los dos modelos. Por ejemplo, con correlaciones más altas, puede usar puntos de diseño FEA y confiar más en el modelo 1D.

Explore la analítica híbrida de primera mano

Los gemelos digitales a menudo existen en el borde o en la nube, en entornos donde el conocimiento puede ser escaso. Los gemelos digitales híbridos ayudan a superar este desafío haciendo uso de todos los datos disponibles y proporcionando la mejor solución para el mantenimiento predictivo y la optimización del rendimiento. Mientras que el análisis generalmente se refiere al aprendizaje de los datos, el análisis híbrido es un conjunto de técnicas para aprender tanto de datos experimentales como de simulaciones basadas en la física. Construidos a partir de múltiples fuentes de datos y física, los modelos de fusión son un componente importante para los gemelos digitales híbridos que permiten una mayor precisión, especialmente en áreas en las que la física es incierta.