Uma Abordagem de Caixa Preta Baseada em Dados para a Quantificação Inversa da Incerteza Teórica de Conjuntos

Resumo A quantificação inversa de incerteza comumente utiliza o bem estabelecido framework bayesiano. Recentemente, metodologias alternativas de intervalos têm sido introduzidas. No entanto, em seu estado atual de implementação, ambas as técnicas sofrem de um grande e geralmente imprevisível esforço computacional. Assim, ambas as técnicas não são aplicáveis em um contexto de tempo real. Para alcançar uma solução de baixo custo e em tempo real para esse problema inverso, introduzimos um framework de aprendizado profundo que consiste em autoencoders não supervisionados e uma rede neural rasa. Este framework é treinado por meio de um conjunto de dados gerado numericamente que captura relações típicas entre os parâmetros do modelo e as respostas medidas do sistema selecionadas. O desempenho e a eficácia da técnica são ilustrados usando dois estudos de caso distintos. O primeiro caso envolve o DLR AIRMOD, um caso de referência que serviu como referência para o problema de quantificação de incerteza inversa. Os resultados demonstram que a precisão alcançada está em par com o método de intervalo existente encontrado na literatura, enquanto requer apenas uma fração de seus recursos computacionais. O segundo estudo de caso examina um processo de soldagem por resistência a pressão, que é conhecido por exigir monitoramento e controle extremamente rápidos devido ao alto rendimento do processo. Com base no método proposto, e com apenas uma seleção limitada de respostas simuladas do processo, é possível identificar a incerteza de intervalo dos parâmetros cruciais do processo. O custo computacional neste caso torna possível uma quantificação de incerteza inversa em um ambiente de tempo real.