RaPiD models: Reciprocal Physics and Data models

Fysikkbaserte modeller er ofte trege og kan derfor ikke brukes til å vurdere en kritisk situasjon mens den utvikler seg. Derimot kan data-drevne ML modeller gjøre lynraske vurderinger, men disse er begrenset av at de kun er gyldige innenfor hvor de har relevant data/erfaring. Denne begrensningen har ikke de fysikkbaserte modellene da de kan kjøres for alle tenkelige scenarioer hvor fysikken er kjent. Målet til prosjektet er derfor å etablere en robust metodikk for hvordan en kan utnytte det beste fra begge paradigmene uten at det går på bekostning av sikkerheten i systemet. Ved å bruke sansynlighets-baserte data-drevne metoder til å gjøre lynraske vurderinger kan vi effektivt vurdere om vi har nok informasjon for den relevante beslutningen. Hvis ikke, vil metoden peke på hvilke senarier vi bør utforske med de avanserte fysikk-baserte modellene for å etablere den nødvendige kunnskapen og redusere usikkerheten. Dette, sammen med avanserte metoder for å øke effektiviteten til fysikk-modellene, gjør at prosjektet vil gi et verdifult bidrag til hvordan vi etablerer nødvendig kunnskap om våre sikkerhetskritiske systemer samtidig som vi får den beste informasjonen til å underbygge gode beslutninger. Prosjektet har i sitt første år gjennomført ett case-studie hvor data-drevne og fysikk-baserte metoder har blitt kombinert for å øke konfidensen for en kritisk operasjonelle beslutning i et fysisk system. Det er og initiert flere open-source pakker for både effektivisering av finite element modeller og hvordan fysikk-baserte og data-drevne metoder kan kombineres. Disse er under utvikling og publiseres på https://github.com/rapid-models. Følg utviklingen i prosjektet på https://rapid-models.dnvgl.com/

This project aims to provide more specific, accurate and timely decision support in operation of safety-critical systems, by combining physics-based modelling with data-driven machine learning and probabilistic uncertainty assessment. The underlying idea is to combine well-established and robust physics-based full order models (FOM), that are made effective by reduced order modelling (ROM), and use of probabilistic data-driven models to both increase the accuracy as well as focus simulation efforts where the information gained produce the most value with respect to the relevant decision context. Creating hi-fidelity insights for better real-time decision-support in complex and high-risk systems requires innovative and new ways of combining data-driven and physics-based modelling, beyond current approaches (e.g. hybrid modelling, multi-fidelity modelling, etc). Integrating these model domains in a way that ensures both that the computational speed and the overall uncertainty is acceptable is the biggest research challenge of the project. This will enable the asset owners to make faster and better safety-critical decisions and reduce (overly conservative) restrictions on operating windows, maintenance and inspection intervals, etc. Increasing uptime, more optimal production, and avoiding safety critical incidents, if only by a few percent, has a huge value for the asset owners. “Conventional finite-elements simulations appear to be conservative compared with what we observe from sensor data. However, models based on sensor data do not capture safety-critical behaviour which we have not yet experienced. In effect, neither model is able to give proper decision support and we are left with conservatism to offset the uncertainty”. Paraphrased statement from asset owner operating on the NCS