000135297 001__ 135297 000135297 005__ 20240522104237.0 000135297 037__ $$aTESIS-2024-159 000135297 041__ $$aeng 000135297 1001_ $$aHernández Laín, Quercus Manuel 000135297 24500 $$aStructure-Preserving Deep Learning 000135297 260__ $$aZaragoza$$bUniversidad de Zaragoza, Prensas de la Universidad$$c2023 000135297 300__ $$a171 000135297 4900_ $$aTesis de la Universidad de Zaragoza$$v2024-151$$x2254-7606 000135297 500__ $$aPresentado: 22 12 2023 000135297 502__ $$aTesis-Univ. Zaragoza, , 2023$$bZaragoza, Universidad de Zaragoza$$c2023 000135297 506__ $$aby-nc$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc/3.0/es 000135297 520__ $$aLas tecnologías de simulación se han convertido en una herramienta útil para modelizar muchos sistemas en una amplia variedad de disciplinas, desde las ciencias sociales a las naturales. En el contexto de la ingeniería, la descripción matemática de los sistemas físicos es crucial para comprender mejor su comportamiento futuro y tomar las decisiones más apropiadas en términos de optimización de su diseño. En las últimas décadas, con la irrupción del llamado cuarto paradigma de la ciencia, se ha detectado un creciente interés por el aprendizaje automático de estas leyes científicas. Muchos de estos enfoques descartan por completo siglos de conocimiento científico en favor de modelos basados puramente en datos, cuya aplicación en la industria real sigue sin estar clara frente a los métodos tradicionales con amplio fundamento matemático.<br />El objetivo de esta tesis es desarrollar metodologías de aprendizaje profundo para aprender sistemas dinámicos a partir de datos. En este trabajo, el conocimiento científico se incorpora al modelo con la imposición de la correcta estructura termodinámica del problema. Así, se trata de un enfoque híbrido entre los métodos de caja negra basados en datos y las formulaciones analíticas tradicionales. <br />La primera parte de la tesis explora métodos de aprendizaje profundo que preservan la estructura para simular sistemas dinámicos a partir de datos. Esto se consigue utilizando varios sesgos inductivos, lo cual fuerza la estructura metripléctica de la dinámica por construcción y explota la estructura del dominio utilizando los principios del aprendizaje profundo geométrico. Estas arquitecturas de redes neuronales de última generación permiten identificar la dinámica de sistemas desconocidos incluso con un comportamiento altamente no lineal. Además, el esquema de integración resultante consigue predicciones rápidas y precisas con bajos requisitos de potencia computacional y almacenamiento en memoria. <br />La segunda parte describe un método para identificar la dimensionalidad intrínseca de un sistema dinámico con el fin de obtener un modelo de orden reducido, que puede integrarse en el tiempo utilizando una arquitectura que preserva la estructura. Este método es conveniente en datos de alta dimensionalidad cuya compleja estructura resulta impráctica para las técnicas estándar. <br />La tercera y última parte explora dos posibles aplicaciones de los métodos expuestos en la tesis. Se describe un procedimiento de aprendizaje para sistemas abiertos en los que la interacción con fuentes externas es relevante, basado en el formalismo port-Hamiltoniano y su extensión a sistemas metriplécticos. La segunda aplicación es una demo de realidad aumentada para la interacción de sólidos deformables en tiempo real, posibilitada por las rápidas predicciones de los simuladores desarrollados en esta tesis.<br /> 000135297 520__ $$a<br /> 000135297 521__ $$97102$$aPrograma de Doctorado en Ingeniería Mecánica 000135297 540__ $$9info:eu-repo/semantics/openAccess 000135297 6531_ $$amecánica de medios continuos 000135297 6531_ $$ainteligencia artificial 000135297 6531_ $$asimulación 000135297 6531_ $$aredes neuronales 000135297 691__ $$a0 000135297 692__ $$a 000135297 700__ $$aCueto Prendes, Elías $$edir. 000135297 700__ $$aBadías Herbera, Alberto $$edir. 000135297 7102_ $$aUniversidad de Zaragoza$$b 000135297 830__ $$9514 000135297 8560_ $$fcdeurop@unizar.es 000135297 8564_ $$uhttps://zaguan.unizar.es/record/135297/files/TESIS-2024-159.pdf$$zTexto completo (eng) 000135297 909CO $$ooai:zaguan.unizar.es:135297$$pdriver 000135297 909co $$ptesis 000135297 9102_ $$aIngeniería y Arquitectura$$b 000135297 980__ $$aTESIS