I Congreso de Postgrado fcfm: ingeniería, ciencias e innovación

44 Santiago, 10 al 12 de agosto, 2022 DESCUBRIENDO LEYES GOBERNANTES A PARTIR DE DATOS MULTI-FIDELIDAD Javier Lemus E.*, Benjamín Herrmann P. Depto. de Ingeniería Mecánica, Universidad de Chil , Beauchef 851, Santiago, Chile. *Email: javier.lemus@ing.uchile.cl RESUMEN Encontrar reglas de evolución a partir de datos nos permite predecir, analizar y entender la dinámica de diversos fenómenos en ciencia e ingeniería para los cuales carecemos de leyes gobernantes, buscamos representaciones simples o queremos corregir modelos aproximados. La identificación sparse de dinámica no lineal (SINDy) se ha establecido como una técnica efectiva para producir modelos interpretables de sistemas dinámicos a partir de datos usando regresión sparse [1]. Sin embargo, para modelar sistemas con dependencia sobre un paramétro, SINDy requiere datos que son difíciles de obtener en un escenario experimental. Este trabajo extiende el método SINDy para, además de datos de transientes, incorporar datos de la respuesta de largo plazo del sistema para vari- os valores del parámetro mediante restricciones al problema de regresión. La extensión muestra ser más robusta al ruido en las mediciones y necesitar menos datos para identificar correctamente un sistema que el algoritmo SINDy original. AGRADECIMIENTOS B. Herrmann agradece financiamiento de ANID a través del proyecto Fondecyt 11220465. REFERENCIAS [1] Brunton, S. L., Proctor, J. L., & Kutz, J. N. Proceedings of the National Academy of Sciences, 113, 3932 (2016). C I E NC I A D E DATOS 02