Desenvolvimento de Estratégias de Aprendizado de Máquina Deep Learning Informadas pela Física Aplicados à Sensores Virtuais, Detecção de Falhas e Otimização de Processos Dinâmicos

Descrição

As transformações na complexidade operacional e a crescente exigência por eficiência energética, segurança ambiental e viabilidade econômica têm impulsionado a transição da indústria tradicional para os preceitos cibernéticos da Indústria 4.0. Nesse novo paradigma, a capacidade de prever de forma precisa e em tempo real o comportamento de sistemas dinâmicos não lineares — como reatores químicos de alta complexidade, escoamentos multifásicos em reservatórios de petróleo subterrâneos e fenômenos de transferência de calor acoplados à mecânica dos fluidos — tornou-se o pilar fundamental para a otimização de processos e a mitigação de falhas catastróficas [1,2,3]. O presente projeto de pesquisa de iniciação científica, delineado para o ciclo de 2026-2027, propõe a investigação exaustiva, o desenvolvimento algorítmico e a validação empírica de ferramentas computacionais baseadas em Redes Neurais Informadas pela Física (PINNs — Physics-Informed Neural Networks) aplicadas a sistemas de engenharia. A pesquisa concentrará seus esforços na superação das limitações inerentes aos modelos puramente orientados a dados (data-driven), que carecem de capacidade de extrapolação fora do domínio de treinamento, e aos modelos estritamente mecanísticos de primeiros princípios, que exigem um custo computacional muitas vezes proibitivo e o conhecimento absoluto de todas as equações constitutivas do sistema Por meio da incorporação direta de equações diferenciais ordinárias (ODEs) e algébricas (DAEs) na função de perda (função custo) das arquiteturas neurais, o projeto visa desenvolver sensores virtuais (soft sensors) e sistemas preditivos de alta fidelidade para a estimativa de estados termodinâmicos e cinéticos não mensuráveis. O estudo de caso matemático central utilizará a formulação de um benchmark o Reator de Tanque Agitado Continuamente (CSTR) operando sob a complexa cinética reacional de Van de Vusse, caracterizada por seu comportamento de fase não mínima e multiplicidade de estados estacionários[1, 4, 5]. Adicionalmente, o projeto prevê, em seus seis primeiros meses, a otimização estacionária e dinâmica deste processo reacional através de Algoritmo Genético e Otimização por Nuvem de Partículas (PSO), garantindo a geração de dados de treinamento em condições ótimas de operação. De forma complementar e para garantir a abrangência do projeto frente aos desafios industriais contemporâneos, a pesquisa explorará profundamente o estado da arte das aplicações de PINNs em disciplinas adjacentes. Será analisada a predição de anomalias em séries temporais complexas, fundamentado na linguagem Python e em bibliotecas de diferenciação automática.