Physics-Informed Machine Learning for predictive modeling of fluid-dynamic processes in components and systems in the energy sector

Modeling and predicting operation and failure modes of a complex system, such as an engineered asset operating in an energy plant, is a most challenging step of engineering asset management. For instance, some failure modes are related to, or appear like, a functional anomaly of the asset and can be consequently described though a model-based approach, but other failures do not show any evidence until the system experiences its functional breakdown, being due to local phenomena, like material degradation. As a result, in practice conventional approaches based on condition monitoring and model-based techniques prove inadequate in achieving the necessary accuracy to address the demand of operation and maintenance optimization in industrial plants. On the other hand, the advent of Machine Learning has enabled the capability to learn from data and sensors measurements and achieve higher accuracy in component state estimation and prediction, for better informed asset operation and maintenance. In fact, Machine Learning allows the exploration of various scenarios of components and system response in different operational conditions, providing data-based insights on the components and systems state evolution useful to assist human experts in their decision making with respect to operation and maintenance, i.e. asset management throughout the entire lifecylce. However, the efficacy of data-driven approaches is limited by data scarce availability. In this context, the present PhD thesis develops new hybrid approaches to improve engineering modeling when lack of measurements, poor domain knowledge and high complexity can lead to limited accuracy for tasks like system control, fault diagnostics and failure prognostics. The hybrid approaches proposed belong to the family of Physics-Informed Machine Learning, which amounts to combining physics domain knowledge with data-driven analytics. The proposed hybrid approaches set out to achieve two key objectives: i) model unknown physics from a comprehensive dataset of measurements, developing ways to deduce governing equations through systematic observation and measurement of system behavior, and ii) extend descriptive observations of system behavior by leveraging known physics, uncovering underlying or missing variables that align the measurements space with the equations of the system's physics. The main originalities lie in the optimization of algorithm training, enhancing accuracy and expediting the convergence of the modeling process. Additionally, model search is optimized by excluding redundant variables and promoting the sparsity of mathematical formulations. The effectiveness of the proposed approaches is demonstrated through the application to the predictive modeling of fluid-dynamic processes documented in scientific literature. The application aims to test the capabilities of the methodological approach proposed in a controlled setting and compare the results with existing methodologies, highlighting the potential advancements brought to the field.

Modellare e prevedere le modalità operative e di guasto di un sistema complesso, come un asset ingegneristico che opera in un impianto energetico, è uno dei passaggi più impegnativi di una efficace gestione degli stessi asset. Ad esempio, seppur alcune modalità di guasto sono correlate direttamente o indirettamente ad un’anomalia funzionale dell'asset e possono quindi essere descritte attraverso un modello analitico, altri guasti non mostrano alcuna evidenza fino a quando il sistema non sperimenta la sua rottura funzionale, come nel caso in cui questa sia dovuta a fenomeni locali, come il deterioramento dei materiali. Di conseguenza, nella pratica gli approcci convenzionali basati sul monitoraggio delle condizioni operative e sulla modellazione numerica si rivelano inadeguati nel raggiungere l'accuratezza descrittiva necessaria allo scopo di ottimizzazione l'operatività e la manutenzione negli impianti industriali per l’intero arco temporale del loro esercizio. D'altra parte, l'avvento del Machine Learning ha introdotto la capacità degli algoritmi di apprendere dai dati e dalle letture dei sensori al fine di ottenere una maggiore accuratezza nella stima e nella previsione dello stato dei componenti, per consentire una gestione operativa e manutentiva degli asset guidata da un modello informativo migliore e più approfondito. Infatti, il Machine Learning consente l'esplorazione di vari scenari di risposta del sistema e dei suoi componenti alle diverse condizioni operative, fornendo informazioni sull'evoluzione dello stato dei sistemi e dei loro singoli componenti, al fine di assistere gli esperti nel prendere decisioni in merito all'ottimizzazione dello scenario operativo e manutentivo per una migliore gestione degli asset nel loro intero ciclo di vita. Tuttavia, l'efficacia di tali approcci basati sui dati risulta limitata in condizioni caratterizzate dalla scarsa disponibilità dei dati stessi, che siano essi derivanti da sensori o dalla conoscenza dei principi fisici alla base del funzionamento del sistema. In questo contesto, la presente tesi di dottorato sviluppa nuovi approcci ibridi per migliorare la modellazione di sistemi ingegneristici complessi quando la mancanza di dati, la scarsa conoscenza del dominio e l'alta complessità possono portare a una limitata accuratezza in applicazioni come il controllo del sistema, la diagnostica delle anomalie e la prognosi dei guasti. Gli approcci ibridi proposti appartengono alla famiglia del Physics Informed Machine Learning che consiste nel combinare la conoscenza del dominio della fisica con l'analisi basata sui dati. Gli approcci ibridi proposti mirano a raggiungere due obiettivi chiave: i) modellare la fisica sconosciuta a partire da un set completo di dati di misurazione, sviluppando modi per dedurre le equazioni attraverso l'osservazione sistematica e la misurazione del comportamento del sistema, e ii) estendere le osservazioni descrittive del comportamento del sistema sfruttando la fisica conosciuta, scoprendo variabili mancanti che allineano lo spazio delle misurazioni con le equazioni della fisica del sistema. Le principali originalità risiedono nell'ottimizzazione dell'addestramento degli algoritmi, migliorando l'accuratezza e accelerando la convergenza del processo di modellazione. Inoltre, la ricerca del modello è ottimizzata escludendo variabili ridondanti e promuovendo l’ottimizzazione delle formulazioni matematiche. L'efficacia degli approcci proposti è dimostrata attraverso l'applicazione alla modellazione predittiva di alcuni processi fluidodinamici documentati nella letteratura scientifica. L'applicazione mira a testare le capacità dell'approccio metodologico proposto in un contesto controllato di cui si conosca la formulazione matematica e a confrontare i risultati con le metodologie esistenti, evidenziando i progressi potenziali rispetto a metodologie classiche.