La IA informada por la física aumenta la eficiencia y el rendimiento de los secadores en la producción de etanol

Un productor agrícola de etanol que necesitaba optimizar el rendimiento de sus secadores adoptó un modelo de inteligencia artificial (IA) informado por la física de Rockwell Automation. El controlador de lazo cerrado desplazó la carga de secado del secador de fábrica al evaporador y se personalizó para reducir las pérdidas de calor. El resultado: un aumento del 12 % en el rendimiento y un incremento de casi el 10 % en la eficiencia energética, según Rockwell.

Simulaciones de IA informadas por la física vs. redes neuronales artificiales

Las simulaciones de IA informadas por la física, como las redes neuronales informadas por la física (PINN), están comenzando a reemplazar a los modelos de redes neuronales artificiales (ANN), que se consideran modelos de "caja negra". Los modelos informados por la física ofrecen predicciones más precisas y fiables que las simulaciones ANN.

Ambos modelos se basan en datos, pero las ANN requieren grandes cantidades de datos operativos, afirma Herman Van der Auweraer, director de innovación tecnológica en Siemens Digital Industries Software.

Los modelos de redes neuronales artificiales también son muy complejos y pueden llevar mucho tiempo adquirir un punto de referencia de datos, señala Robert X. Gao, profesor y presidente del departamento de ingeniería mecánica y aeroespacial en la Universidad Case Western Reserve.

"La falta de transparencia e interpretabilidad de los modelos de IA/aprendizaje automático [ML] ha sido reconocida como un cuello de botella para la adopción generalizada de IA/ML en manufactura. Intrínsecamente, la manufactura consiste en aplicar principios y leyes físicas para procesar materiales en productos útiles para aplicaciones industriales o comerciales", explica Gao.

Aunque algunos describen las redes neuronales como IA, estas son simplemente una forma muy inteligente de predecir entre puntos de datos conocidos (interpolación), dice Peter Mas, director de servicios de ingeniería en Siemens Software. Usando ANN, predecir con precisión valores para puntos fuera del rango de datos (extrapolación) no es posible, añade.

Por ejemplo, eventos como fallos en turbinas eólicas que ocurren rara vez no son capturados por los datos y podrían llevar a representaciones erróneas, indica Van der Auweraer.

"Ninguna técnica de red neuronal puede predecir en áreas donde nunca ha estado antes", dice Mas. "Para hacerlo, necesitas incluir la ley física que te dirá qué tendencia debe seguir la extrapolación".

Si un modelo de caja negra tiene muy pocos datos, no capturará el comportamiento adecuado del sistema modelado, afirma Bijan Sayyar Rodsari, director de analítica avanzada en Rockwell Automation.

Pero simplemente echar más datos a un sistema de caja negra no siempre es la respuesta.

Si no se protege contra el sobreentrenamiento, un sistema así se aferra a cada anomalía en los datos y falla al hacer predicciones precisas, explica. Respecto a las anomalías, a menudo un fabricante no tiene la oportunidad de recopilar una gran cantidad de datos porque la máquina se apaga en cuanto se descubre una anomalía, añade.

Debido a la falta de datos e información, los fabricantes que usan sistemas de caja negra no llevarán las máquinas al punto óptimo para máxima eficiencia, prefiriendo errar bien dentro del margen de seguridad, dice Rodsari.

"Tu modelo puramente basado en datos está obligado a estar limitado por los datos que ingreses", afirma Rodsari.

Tampoco estarán dispuestos a ejecutar sistemas de lazo cerrado, dice. "Si el operador no entiende lo que hace el modelo, siempre será escéptico sobre permitir que este modelo se ejecute en lazo cerrado".

El proverbio ruso "confía pero verifica" simplemente no funciona con modelos de caja negra. Verificar cómo el sistema de modelado llegó a sus predicciones es casi imposible. Sin la capacidad de verificar entradas y salidas, muchos operadores en manufactura no confían en los modelos —y con buena razón, porque los resultados pueden no ser precisos.

La única forma de saber con certeza si el procesamiento inicial fue correcto es por ensayo y error, dice Rodsari.

Ejemplo ilustrativo

He aquí un ejemplo simple de Mas: si un modelo avanzado de red neuronal tiene datos que muestran que cuatro manzanas pesan 1 kg y ocho manzanas pesan 2,1 kg, el modelo puede predecir correctamente el peso de seis manzanas porque seis cae dentro de sus puntos de datos conocidos y forma parte de la tendencia lineal. Pero si se le pregunta por el peso posible de 12 manzanas (un número fuera de sus puntos de datos), el modelo ANN dará una respuesta pero potencialmente 5 kg, u otro número descabellado, en lugar de la predicción más razonable de 3-3,3 kg.

"Estos modelos de caja negra han demostrado ser difíciles de interpretar", dice Rodsari. "Aunque son buenos para crear una coincidencia para variables de interés, no son útiles para explicar esa relación. Eso dificulta la capacidad de las personas que deben poner estos modelos en uso y hacer un juicio sobre si los resultados son correctos o no. Para la mayoría de aplicaciones en el espacio manufacturero, necesitas la capacidad de convencer a operaciones de que esta relación es significativa, ayudarles a tener un medio para monitorear la calidad y prevenir decisiones que vayan a ser dañinas para la operación.

Necesitas la capacidad de proporcionar cierta visibilidad sobre la naturaleza del modelo para que el operador pueda confiar en él".

Menos es más: la ventaja de la IA informada por la física

Mientras tanto, las simulaciones de IA informadas por la física pueden hacer predicciones basadas en significativamente menos datos porque utilizan datos de mayor calidad y más relevantes para la máquina y el problema en cuestión.

Como su nombre indica, la IA informada por la física incorpora datos relevantes, leyes físicas y conocimiento previo, como parámetros de rendimiento y normas de la máquina modelada, explica Gao.

"Las leyes de la física contienen una enorme riqueza de información de forma muy condensada", dice Van der Auweraer. "Los métodos de simulación basados en física usan estas leyes físicas. Así que pueden dar un comienzo extremadamente poderoso a los sistemas de IA al aportar este conocimiento en lugar de tener que esperar hasta que lleguen suficientes datos representativos".

Con ese conocimiento físico codificado, los modelos de IA informados por la física pueden hacer predicciones basadas en menos datos, afirma Rodsari.

"Queremos construir modelos que sean útiles para los fabricantes en tiempo real", dice.

Los modelos de IA informados por la física permiten a la IA aprender de los datos en proceso, emulando un cerebro que aprende, y pueden mejorar a medida que más datos estén disponibles, dice Mas.

Los ingenieros de manufactura pueden entonces modificar y adaptar sus estructuras y sistemas existentes para que el modelo funcione para su fábrica.

"Cuando observas datos, típicamente hay relaciones que conoces, especialmente para un ingeniero", dice Mas. "Hay física conocida y física desconocida. Así es como funciona la IA informada por la física. En lugar de tratar todas las relaciones de datos como una caja negra, también puedes imponer algunas ecuaciones físicas sobre los datos como 'conservación de la energía' o cosas más complejas, como 'comportamiento ondulatorio', para que el algoritmo de aprendizaje automático equilibre entre los datos y la física. Esto se hace típicamente a través de una función de pérdida, que es la función objetivo para que el algoritmo minimice el error con los datos mientras satisface la física".

PINN comenzando a impactar la manufactura

Las primeras aplicaciones de PINN están surgiendo en procesos de manufactura con modelos y relaciones complejas, como en la manufactura aditiva, dice Van der Auweraer.

Otros primeros adoptantes serán la industria alimentaria o farmacéutica, donde procesos complejos pueden obstaculizar un enfoque basado puramente en simulación y donde la IA en un enfoque PINN puede arrojar resultados prometedores, añaden Van der Auweraer y Mas.

Los modelos PINN también pueden complementar o reemplazar las pruebas de laboratorio y el diseño intensivos en mano de obra, dice Mas, combinando las fortalezas existentes de las pruebas de laboratorio y los beneficios de las simulaciones basadas en física para diseñar con precisión nuevos materiales y productos en mucho menos tiempo usando menos pruebas de laboratorio.

La caja gris como posibilidad

El mayor desafío es que el aprendizaje automático se hace hoy por científicos de datos que escriben scripts en su lenguaje preferido de ciencia de datos, dice Mas, en lugar de estar disponible y accesible para el ingeniero que desarrolla un producto a través de plataformas de bajo código orientadas a aplicaciones como la aplicación ROM Building que Siemens está desarrollando actualmente dentro de su cartera Simcenter.

"Puedes empezar con la estructura genérica", dice Gao. "La innovación depende de los ingenieros para modificar y adaptar creativamente".

El enfoque más poderoso puede ser combinar las relaciones físicas dentro de la red neuronal artificial, complementando esa red o como una capa o estructura específica dentro de la red neuronal, dice Van der Auweraer.

Eso transformaría la caja negra en una caja gris.

"Tal red podría empezar a entrenarse a partir de simulaciones de alta calidad. Puede contener relaciones físicas internas para una red más condensada y poderosa que también se entrenará más rápido y puede ser entrenada ulteriormente por cualquier dato que llegue durante su ciclo de vida", dice.