Development of a unitary approach for physiscs-based learning and decentralized control with recurrent neural network models

Large-scale systems are widespread dynamical systems composed of several interconnected subsystems. They arise in complex industrial contexts such as chemical processes, energy networks, and transportation systems. Their complexity comes from the high dimensionality, the presence of coupling among variables, and the frequent nonlinearities, which make the adoption of centralized control strategies difficult. To overcome the limitations related to high computational costs and communication requirements among physically coupled units, decentralized and distributed strategies represent effective solutions in terms of problem feasibility and control scalability. However, their effectiveness depends on the availability of models capable of accurately reproducing the interconnection structure among the subsystems. In this context, the need of a physics-inspired identification procedure arises and Recurrent Equilibrium Networks (RENs) allow the definition of nonlinear models that capture the interconnection topology. Structural constraints and physical properties of the system are enforced, so as to obtain models that are directly suitable for decentralized control. This thesis focuses first on the identification of such control-oriented models, exploring different decomposition techniques and analyzing the impact of the sampling time. The methodology is validated on a nonlinear chemical plant: the objective is to identify and compare different identification procedures. Secondly, a decentralized nonlinear Model Predictive Control scheme for the class of structured REN models has been developed, in order to guarantee incremental stability properties, consistency among subsystems, and robustness with respect to bounded disturbances.

I sistemi a larga scala sono sistemi dinamici ampiamente diffusi, costituiti da numerosi sottosistemi dinamici interconnessi tra loro. Essi trovano applicazione in contesti industriali complessi, quali processi chimici, reti energetiche e sistemi di trasporto. La loro complessità deriva dall'elevata dimensionalità, dalla presenza di forti interazioni tra le variabili e dalle frequenti nonlinearità, che rendono difficile l'adozione di strategie di controllo centralizzate. Per superare i limiti legati agli alti costi computazionali e alle esigenze di comunicazione tra unità fisicamente accoppiate, i sistemi di controllo decentralizzati e distribuiti rappresentano soluzioni efficaci in termini di fattibilità del problema e scalabilità del controllo. Tuttavia, la loro efficacia dipende dalla disponibilità di modelli in grado di replicare fedelmente la struttura di interconnessione tra i sottosistemi; la derivazione di tali modelli fisici accurati risulta particolarmente complessa nel caso di sistemi nonlineari su larga scala. In questo contesto nasce la necessità di proporre una procedura di identificazione physics-inspired basata su Recurrent Equilibrium Networks (RENs), che consenta di ottenere modelli nonlineari in grado di preservare la topologia delle interconnessioni. I vincoli strutturali e le proprietà fisiche del sistema sono imposti al fine di ottenere modelli direttamente utilizzabili per un controllo decentralizzato. Questo lavoro di tesi si concentra in primo luogo sull'identificazione di tali modelli orientati al controllo, esplorando diverse tecniche di scomposizione, e analizzando l'impatto del tempo di campionamento in fase di discretizzazione. La metodologia è validata su un sistema chimico nonlineare con l'obiettivo di individuare e confrontare diverse procedure di identificazione. Parallelamente, è stato sviluppato uno schema di controllo predittivo robusto, decentralizzato e nonlineare applicabile alla classe di modelli REN strutturati, al fine di garantire proprietà di stabilità incrementale, consistenza tra sottosistemi e robustezza rispetto a disturbi limitati.