El Filtro de Partículas en el Espacio Latente Profundo para la Asimilación de Datos en Tiempo Real con Cuantificación de Incertidumbre

En la Asimilación de Datos, las observaciones se fusionan con simulaciones para obtener una estimación precisa del estado y los parámetros de un sistema físico dado. Sin embargo, combinar datos con un modelo, mientras se estima con precisión la incertidumbre, es computacionalmente costoso e inviable para ejecutar en tiempo real en sistemas complejos. Aquí, presentamos una novedosa metodología de filtro de partículas, el filtro de partículas en el espacio latente profundo o D-LSPF, que utiliza modelos surrogados basados en redes neuronales para superar este desafío computacional. El D-LSPF permite el filtrado en el espacio latente de baja dimensión obtenido utilizando AEs de Wasserstein con capas de transformador de visión modificadas para la reducción de dimensionalidad y transformadores para el paso del tiempo en el espacio latente parametrizado. Como demostramos en tres casos de prueba, incluyendo la localización de fugas en el flujo de tuberías multiphase y la identificación del lecho marino para olas de agua completamente no lineales, el D-LSPF se ejecuta órdenes de magnitud más rápido que un filtro de partículas de alta fidelidad y de 3 a 5 veces más rápido que métodos alternativos, mientras que es hasta un orden de magnitud más preciso. Por lo tanto, el D-LSPF permite la asimilación de datos en tiempo real con cuantificación de incertidumbre para sistemas físicos.