Présentation

Cependant, pour résoudre ces problèmes, il faut souvent recourir à des modèles mathématiques complexes, comme des équations différentielles partielles ou des systèmes dynamiques à grande échelle, qui peuvent être exigeants en calcul et qui prennent du temps. Pour relever ce défi, les chercheurs se sont tournés vers des techniques de modélisation à ordre réduit (ROM) pour accélérer les calculs de façon significative sans sacrifier la précision. ROM réalise cela en construisant des approximations à faible dimension qui saisissent la dynamique dominante du système original, permettant des simulations rapides et des décisions de contrôle en temps réel.

Qu'est-ce que la modélisation de commande réduite?

La modélisation à ordre réduit consiste à créer des versions simplifiées de modèles à haute fidélité qui conservent une dynamique essentielle.Ces modèles sont construits en identifiant et en extrayant les modes ou les caractéristiques les plus influents du système, souvent à l'aide de techniques de réduction basées sur les données ou la physique. Le système résultant est beaucoup plus petit en dimension, souvent par ordre de grandeur, ce qui permet de le résoudre plus rapidement.

L'idée fondamentale derrière ROM est que de nombreux systèmes complexes présentent un comportement bas rang : l'espace de solution se trouve près d'un collecteur à faible dimension. En projetant le modèle de pleine commande sur ce collecteur, le coût de calcul chute de façon spectaculaire tout en préservant la précision dans des tolérances acceptables.

Avantages de l'utilisation de ROM dans le contrôle optimal

  • Speed: Les modèles réduits nécessitent moins de puissance de calcul, permettant des temps de solution plus rapides – souvent d'heures à secondes.
  • Efficacité:[ Ils facilitent les simulations rapides, essentielles dans les applications de contrôle en temps réel telles que les véhicules autonomes, la robotique et le contrôle des processus.
  • Coût-efficacité:[ Moins de ressources informatiques signifient des coûts opérationnels plus faibles, en particulier dans les environnements informatiques en nuage ou intégrés.
  • Scalabilité:[ ROM permet la manipulation de systèmes plus grands et plus complexes qui autrement seraient invraisemblables avec des modèles de pleine commande.
  • Optimisation en temps réel:[ Avec ROM, les algorithmes de contrôle optimaux itératifs comme le contrôle prédictif du modèle (MPC) deviennent pratiques pour une dynamique rapide.

Méthodes pour développer des modèles de commande réduite

Plusieurs techniques existent pour créer des ROM, qui conviennent à différents types de systèmes. Le choix dépend de la physique sous-jacente, des données disponibles et de l'échange de précision et de stabilité souhaités.

Décomposition orthogonale appropriée (DOP)

La POD, également connue sous le nom d'expansion Karhunen–Love, extrait les modes dominants d'un ensemble de données instantanés obtenues en exécutant le modèle de pleine commande dans diverses conditions. Ces modes forment une base orthogonale qui capture de façon optimale l'énergie du système. Les équations originales sont alors projetées sur cette base, donnant un système à faible dimension. La POD est largement utilisée dans la dynamique des fluides et la mécanique structurelle. Plus sur la POD.

Tronçonnage équilibré (BT)

BT se concentre sur la préservation du comportement entrée-sortie du système en analysant la contrôlabilité et l'observabilité Gramians. Il élimine les états qui sont faiblement contrôlables et faiblement observables. La troncation équilibrée est particulièrement efficace pour les systèmes linéaires et assure la préservation de la stabilité, mais il s'écrase mal pour les systèmes très grands en raison de la nécessité de résoudre les équations Lyapunov. Référence: Antoulas, Rapprochement des systèmes dynamiques à grande échelle.

Projection Galerkin

Cette méthode projette le système original d'équations (p. ex., PDE) sur une base réduite, souvent dérivée de la POD ou d'autres techniques de génération de base. La forme faible de la PDE est appliquée uniquement sur le sous-espace couvert par la base. La projection Galerkin est populaire pour les systèmes paramétriques et non linéaires, bien que la stabilité puisse être un défi pour les problèmes dominés par la convection.

Approches d'apprentissage automatique

Les avancées récentes utilisent des réseaux neuronaux, des auto-encodeurs et d'autres algorithmes axés sur les données pour découvrir des représentations latentes à basse dimension directement à partir de données.Les auto-encodeurs apprennent un codage compact de l'état, tandis que la décomposition en mode dynamique (DMD) et ses variantes (p. ex., les méthodes d'opérateur Koopman) fournissent des approximations linéaires de la dynamique non linéaire.Ces méthodes sont particulièrement utiles lorsque la physique sous-jacente n'est pas pleinement connue. Exemple: Brunton et al., Machine learning for fluid dynamique.

Autres méthodes notables

  • Réduction de l'hyperactivité:[ Combine la ROM avec un échantillonnage épars du maillage d'origine pour réduire les coûts d'assemblage pour des termes non linéaires (p. ex. DEIM, ECSW).
  • Modologies de base réduites (RB) :[ Limites d'erreur rigoureuses et décompositions hors ligne pour problèmes paramétriques.
  • Truncation équilibrée en Gaussian linéaire (LQG) : étend BT aux systèmes stochastiques.

Application de la ROM aux problèmes de contrôle optimal

Dans le contrôle optimal, le goulot d'étranglement computationnel est souvent la solution répétée de la dynamique du système dans l'évaluation des fonctions de coûts et des contraintes. ROM remplace le modèle de pleine commande par un modèle réduit à l'intérieur de la boucle d'optimisation, réduisant drastiquement le temps de calcul. Par exemple, dans le contrôle prédictif du modèle (MPC), le problème de contrôle optimal à boucle ouverte doit être résolu à chaque étape.

Cependant, il faut s'assurer que le modèle réduit demeure précis sur l'ensemble de l'horizon de prévision et sous des entrées variables. Les schémas de ROM adaptatifs qui mettent à jour la base en ligne sont un domaine de recherche actif. Voir: ROM adaptatif pour les systèmes à variations de temps.

Défis de la modélisation de la réduction des commandes

  • Une ROM qui fonctionne bien près d'un ensemble de paramètres peut échouer lorsque les paramètres ou les états dérivent. Les limites d'erreur globales sont difficiles à obtenir.
  • Conservation de stabilité:[ Les ROM basés sur la projection peuvent déstabiliser le système original, en particulier pour les flux dominés par la convection.
  • Données de données: Les ROM fondés sur les données nécessitent des données suffisantes de formation, et l'extrapolation en dehors du régime de formation peut conduire à des prédictions peu fiables.
  • Non-linéarité:[ Réduire les systèmes non linéaires est plus difficile parce que le modèle réduit nécessite toujours une évaluation des termes non linéaires en ordre complet, ce qui entraîne la nécessité d'une hyper-réduction.
  • Mise en œuvre en temps réel:[ Même les ROM rapides peuvent être trop lents pour un contrôle de milliseconde sans matériel spécialisé ou simplification supplémentaire.

Orientations futures

Les chercheurs explorent activement plusieurs frontières pour surmonter ces défis :

  • Adaptive ROM:[ Méthodes qui mettent à jour la base réduite à la volée au fur et à mesure que le système évolue, combinant les déclencheurs d'apprentissage automatique et les indicateurs d'erreur.
  • Approches hybrides:[ Combiner la ROM physique (comme la DDP) avec des corrections basées sur les données (p. ex., fermetures de réseaux neuronaux) pour améliorer la précision.
  • Quantification d'incertitude (UQ):[ Intégrer la ROM dans l'inversion bayésienne et le contrôle stochastique, où beaucoup de solutions avant sont nécessaires.
  • Structure-préservation ROM:[ Techniques qui préservent les propriétés hamiltoniennes, lagrangiennes ou passivité, cruciales pour la synthèse des contrôles.
  • Accélération du logiciel:[ Déployer ROM sur les GPU ou les FPGA pour un contrôle optimal en temps réel dans le calcul des bords.

À mesure que la puissance de calcul continuera de croître, ROM jouera un rôle de plus en plus vital en permettant des solutions de contrôle rapides et fiables pour des systèmes complexes, des drones autonomes aux réseaux intelligents et aux dispositifs biomédicaux.

Conclusion

En distillant la dynamique essentielle en modèles à faible dimension, les ingénieurs et les scientifiques peuvent obtenir des performances en temps réel sans sacrifier la fidélité prédictive. Alors que des défis subsistent – surtout en ce qui concerne la précision, la stabilité et la dépendance aux données – les développements en cours dans le ROM adaptatif et hybride promettent d'en étendre l'applicabilité.