| dc.description.abstract | Hybrid analyse og modellering (HAM) er et fremvoksende modelleringsparadigme hvor fysikkbasert modellering (FBM) og datadreven modellering (DDM) kombineres for å utvikle modeller som er generaliserbare, pålitelige, nøyaktige, ressurseffektive og selvutviklende. I denne masteroppgaven introduserer og demonstrerer vi CoSTA (fra engelsk Corrective Source Term Approach), som er en innovativ generalisering av tidligere arbeid innenfor HAM-paradigmet. Vi presenterer også det teoretiske grunnlaget for CoSTA, hvor hovedprinsippet er å utvide en eksisterende FBM med et korrigerende kildeledd. Dette kildeleddet, som er definert slik at det korrigerer enhver feil i den opprinnelige FBMen, kan læres ved hjelp av datadrevne modelleringsteknikker som dyp læring med nevrale nettverk.
Vi har gjennomført en rekke numeriske eksperimenter på en- og todimensjonal varmeledning hvor CoSTA predikerer temperatureprofiler som er opptil flere størrelsesordener mer nøyaktige enn prediksjonene til sammenliknbare FBMer og DDMer. Av våre eksperimenter ser vi også at CoSTA fasiliterer utvikling av modeller som generaliserer godt. Videre demonstrerer vi hvordan det korrigerende kildeleddet kan analyseres innenfor et fysikkbasert rammeverk. Dette medfører fortolkningsmuligheter som ikke har noen parallell innen ren DDM. I tillegg kan analysemetodene vi presenterer også brukes til automatisk ytelseskontroll. Disse faktorene styrker påliteligheten til CoSTA sammenliknet med ren DDM. Tatt i betraktning at CoSTA benytter DDM-teknikker, mener vi at CoSTA dermed kan bidra til å øke relevansen av DDM innenfor bruksområder hvor FBM tradisjonelt har vært foretrukket. Dette er særlig aktuelt innen bruksområder med høy finansiell eller sikkerhetsmessig risiko, hvor pålitelighet er av særskilt betydning.
Selv om våre eksperimenter fokuserer på varmeledning, kan CoSTA også brukes til å modellere enhver annen deterministisk prosess. Dessuten legger ikke CoSTA noen begrensninger på hvilke DDM-teknikker som kan brukes for å lære det korrigerende kildeleddet. Denne fleksibiliteten gjør at CoSTA kan dra nytte av fremtidige innovasjoner innen både FBM og DDM. Videre medfører den også at CoSTA er relevant innenfor en lang rekke varierte bruksområder. Aluminiumsproduksjon, havvind og strømningsflyt i rørledninger (som er relevant i forbindelse med f.eks. olje- og gassproduksjon og karbonfangt og -lagring) kan trekkes frem som potensielle bruksområder innen norsk industri og forskning. | |
| dc.description.abstract | Hybrid analysis and modelling (HAM) is an emerging modelling paradigm where physics-based modelling (PBM) and data-driven modelling (DDM) are combined with the aim of creating models that are generalizable, trustworthy, accurate, computationally efficient and self-evolving. In this thesis, we introduce, justify and demonstrate the Corrective Source Term Approach (CoSTA), which is a novel generalization of earlier work within the HAM paradigm. The crux of CoSTA is to augment the governing equation of a physics-based model with a corrective source term. The corrective source term is designed to correct any error in the original, non-augmented PBM, and can be learnt using data-driven techniques such as deep neural networks. We conduct a series of numerical experiments on one- and two-dimensional heat transfer problems, and find that CoSTA significantly outperforms comparable PBM and DDM models in terms of accuracy – often reducing predictive errors by several orders of magnitude. We also find that CoSTA facilitates the development of models with excellent generalizability. Additionally, we demonstrate how the learnt corrective source term can be analysed within a physics-based framework, thereby adding a level of explainability not found in pure DDM. In addition to increasing explainability, such analyses can also be used for automatic performance monitoring. Thus, we believe that CoSTA can push data-driven techniques to enter high-stakes applications previously reserved for pure PBM.
While our experimental results are mainly centered on heat transfer problems, CoSTA is a completely general approach which can be used for modelling any deterministic system. Furthermore, CoSTA does not impose any restrictions on what kind of data-driven techniques can be used to learn the corrective source term. Due to its flexible but solid theoretical foundation, CoSTA can therefore be used in a wide variety of applications, and will be able to leverage future advances in both PBM and DDM. Among possible areas of application within Norwegian industry and research communities, we highlight aluminium production, off-shore wind and flow assurance (in the context of e.g. hydrocarbon or CO2 transport) as particularly relevant examples. | |
