Stipendiatstilling 17 SINTEF (2021-2023)

Modellering og simulasjon av fysiske systemer gir verdifull innsikt i systemets interne sammenhenger og åpner muligheter for feilsøking og prediktivt vedlikehold. Tradisjonelt har numeriske og analytiske metoder vært de primære tilnærmingene, men de krever ofte forenklede antakelser for å være beregningsmessig håndterbare, og i mange tilfeller blir de uforholdsmessig kostbare for mer komplekse systemer. Maskinlæring er et lovende alternativ som utnytter den økende tilgjengeligheten av observerte data. Imidlertid er disse dataene i mange tilfeller sparsomme, støyende eller ikke-representative for hele systemet, noe som fører til upålitelige prediksjoner og begrenser anvendeligheten av disse metodene. Dette Ph.D.-prosjektet videreutviklet metoder fra fysikkinformert maskinlæring (PIML, physics-informed machine learning), som kombinerer data-drevne og fysikkbaserte tilnærminger, for å forbedre prediksjonsnøyaktighet, tolkbarhet og effektivitet i vitenskapelige og tekniske systemer. De viktigste bidragene faller i to hovedområder. Det første fokuserer på fysikkbasert featuremodellering og avviksdeteksjon, der vi utviklet en tolkbar feildeteksjonsalgoritme for maritime systemer, validert på reelle driftsdata. I tillegg foreslo vi et strukturert rammeverk for avviksdeteksjon som inkluderer ekspertvalidering, som forbedrer påliteligheten og tolkbarheten i industrielle overvåkingsapplikasjoner. Det andre området omhandler forbedringer av nevrale operatorer gjennom flere utviklingsbidrag. Én del av arbeidet besto i å utvide nevrale operatorer med rekurrente nettverk for å muliggjøre stabile simuleringer over lange tidshorisonter. Et annet viktig bidrag var utviklingen av en ny treningsstrategi som kombinerer lav- og høyoppløselige data, for å forbedre prediksjonsnøyaktigheten samtidig som avhengigheten av høyoppløselige datasett reduseres. Videre utforsket vi måter å sikre fysisk konsistens i nevrale operatorer gjennom harde og myke begrensninger, slik at de overholder fundamentale bevaringslover. Hvert av disse bidragene demonstrerer potensialet til fysikkinformert maskinlæring for å håndtere reelle vitenskapelige og tekniske utfordringer, samt forbedre påliteligheten og effektiviteten til data-drevne modeller.

Prosjektet leverte både fremskritt innen fysikk-informert maskinlæring og eksempler på praktiske anvendelser. Det bidro til videreutvikling av nevrale operatorer for bruk i prediksjoner over lengre tidsserier, som ble publisert gjennom to artikler. Forskningen utdypet forståelsen av flere hybrid-KI-tilnærminger ved å sammenligne deres styrker og begrensninger på tvers av ulike anvendelser, noe som førte til bredere innsikt i hybride modelleringsstrategier. I tillegg var et direkte mål å utvikle anvendte algoritmer, noe som ble oppnådd med en feildeteksjonsmodell. Denne har vært kommersielt implementert på Brunvoll-fartøy siden 2021. Gjennom forskningsopphold ved Brown University, flere besøk og deltakelse på felles workshops, ble det etablert flere internasjonale samarbeid for SINTEF.