OPLEIDING  
Install Magazine 1006 – februari 2026

Hybride computermodellen voor accurate simulaties

Combinatie van fysische modellen en neurale netwerken

Om de goede werking van installaties te garanderen, is een snelle foutdetectie cruciaal. Als men wacht om in te grijpen tot er ernstige defecten optreden, leidt dat al te vaak tot moeilijke en dure herstellingen. Digitale oplossingen, zoals digital twins of model predictive control, kunnen hier een uitkomst bieden. Tot zover de theorie. Hoe zoiets in de praktijk moet worden omgezet, blijft uitdagend. Pieter Jan Houben van de universiteit van Antwerpen werkt aan een concept waarbij fysische simulatiemodellen gecombineerd werden met artificiële neurale netwerken om tot snelle en betrouwbare voorspellingen te komen.

Sim to real gap

De basisopzet van het onderzoek was het sluiten van de sim-to-real gap. Dat is het verschil tussen de gesimuleerde data en de echte data. Geavanceerde modellen zoals model predictive control worden namelijk getraind op gesimuleerde data. Hoe meer die gesimuleerde data echter afwijken van de realiteit, hoe minder bruikbaar het computermodel wordt. Om die kloof te dichten, ontwikkelde Peter Hellinckx aan hybride modellen met het gebruik van black boxes op componentniveau. Hierdoor sluiten de resultaten niet alleen dichter aan bij de realiteit; die systemen modelleren ook wanneer een component fout werkt, zodat de methode kan worden ingezet voor foutdetectie. Het onderzoek van Pieter Jan Houben past in dit kader.

Fysisch versus neuraal

De klassieke aanpak van een simulatiemodel is gebaseerd op fysische principes. Het model bestaat uit een aantal vergelijkingen die thermodynamische processen beschrijven. Door die vergelijkingen over verschillende tijdstappen door te rekenen, kan men bepalen hoe het systeem in kwestie zich zal gedragen. Een nadeel van deze aanpak is dat er een reeks aannames en vereenvoudigingen moet worden toegepast, om de vereiste rekenkracht binnen redelijke grenzen te houden. Er zal dus altijd een zeker verschil zijn tussen het berekende gedrag en het werkelijke gedrag van de installatie. Bij de evaluatie van de gegevens moet men daar rekening mee houden.

Een andere aanpak maakt gebruik van artificiële neurale netwerken. Deze leveren goede resultaten, maar zijn een ‘black box’, we hebben geen inzicht in de manier waarop ze werken. Als de berekende resultaten van het netwerk dus niet overeenstemmen met de realiteit, is het zo goed als onmogelijk om te achterhalen waaraan dat ligt.

Pieter Jan Houben ontwierp daarom een systeem waarbij beide principes gecombineerd werden. Uitgangspunt is een fysisch gebaseerd systeem. De resultaten van die berekeningen worden echter telkens gecorrigeerd door een zelflerend neuraal netwerk, vooraleer ze doorgestuurd worden naar de volgende rekenstap. Op die manier heeft het model een zelfcorrigerende functie wat resulteert in nauwkeurigere resultaten.

Combinatie van twee principes

Hij vergeleek twee manieren om beide modellen te combineren. In de eerste werden voor elke stap eerst alle componenten volgens het fysisch model een na een doorgerekend, waarna de resultaten werden gecorrigeerd door een neuraal netwerk. Die gecorrigeerde resultaten vormden dan de input voor de tweede stap, waarna het hele proces zich herhaalt.

In de tweede methode werden de componenten eveneens eerst fysisch berekend. Vooraleer de uitkomst van de eerste component echter naar de volgende ging, was er een corrigerende tussenstap met een neuraal netwerk. De resultaten van de simulatie van de eerste component hadden dus al een verbetering ondergaan voor ze als input werden gebruikt om de volgende component te berekenen. Dat is complexer omdat de verschillende neurale netwerken tegelijk moeten worden getraind. Het heeft echter het voordeel dat het neurale netwerk voor elke component weet in hoeverre het resultaat van die component beïnvloed wordt door de uitkomst van de volgende. De conclusie was dan ook dat deze aanpak betere resultaten opleverde. Hier konden eventuele afwijkingen sneller worden opgespoord.

Confrontatie met de realiteit

Het onderzoek gebeurde tot nu toe volledig digitaal. In plaats van de methodologie te testen op een reële dataset, werd een artificiële dataset gecreëerd op basis van gevalideerde simulaties, waarin afwijkingen werden geïntroduceerd. Hierop werden de modellen getraind. De volgende stap is om na te gaan hoe goed deze methode het doet in een reële situatie. Daarbij moet er ook eerst bepaald worden welke waarden als een afwijking worden beschouwd, en welke nog binnen de normale werking vallen. Dit onderzoek heeft zo de basis gelegd voor een meer performante simulatie.

Door: Alex Baumans

https://link.springer.com/book/10.1007/978-3-032-09844-3