Aplicação de PINN em Redes Neurais para Treinamento do Modelo SIR na Covid-19
DOI:
https://doi.org/10.5540/03.2026.012.01.0254Palavras-chave:
Redes Neurais, MLP, PINN, Dados Epidemiológicos, Modelo SIR, Covid-19Resumo
Extrair padrões dos dados é crucial na modelagem computacional, especialmente em epidemiologia, onde a qualidade da informação é essencial. Redes neurais – convencionais ou informadas por física – são métodos poderosos para essa aproximação. Neste trabalho, utilizamos modelos epidemiológicos, com dados sintéticos e reais, para testar estes métodos, constatando a superioridade das redes neurais informadas por física.
Downloads
Referências
S. Han, L. Stelz, H. Stoecker, Wang. L. e K. Zhou. “Approaching epidemiological dynamics of COVID-19 with physics-informed neural networks”. Em: Journal of the Franklin Institute 361.6 (2024), p. 106671. doi: https://doi.org/10.1016/j.jfranklin.2024.106671.
M. J. Keeling e P. Rohani. Modeling infectious diseases in humans and animals. New Jersey: Princeton University Press, 2011. isbn: 978-0-691-11617-4.
W. O. Kermack e A. G. McKendrick. “A Contribution to the Mathematical Theory of Epidemics”. Em: Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character 115.772 (1927), pp. 700–721. doi: 10.1098/rspa.1927.0118.
D. P. Kingma e J. Ba. “Adam: A Method for Stochastic Optimization”. Em: arXiv preprint arXiv:1412.6980 (2014). url: https://arxiv.org/abs/1412.6980.
J. Long, A. Q. M. Khaliq e K. M. Furati. “Identification and prediction of time-varying parameters of COVID-19 model: a data-driven deep learning approach”. Em: International Journal of Computer Mathematics 98.8 (2021), pp. 1617–1632. doi: 10 . 1080 / 00207160.2021.1929942.
D. J. C. MacKay. Information Theory, Inference, and Learning Algorithms. Cambridge: Cambridge University Press, 2003. isbn: 0521642981 9780521642989.
S. Makridakis, S. Wheelwright e R. J. Hyndman. Forecasting: Methods and Applications, 3rd Ed. USA: John Wiley Sons, 1997. isbn: 0-471-53233-9.
W. H. Press, S. A. Teukolsky, W. T. Vetterling e B. P. Flannery. Numerical Recipes in C: The Art of Scientific Computing. 2nd. USA: Cambridge University Press, 1992. isbn: 0521437148.
M. Raissi, P. Perdikaris e G.E. Karniadakis. “Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations”. Em: Journal of Computational Physics 378 (2019), pp. 686–707. doi: https://doi.org/10.1016/j.jcp.2018.10.045.
M. Raissi, N. Ramezani e P. Seshaiyer. “On Parameter Estimation Approaches for Predicting Disease Transmission Through Optimization, Deep Learning and Statistical Inference Methods”. Em: Letters in Biomathematics (2019). doi: https://doi.org/10.30707/LiB6.2Raissi.
G. L. Vasconcelos, G. C. Duarte-Filho, A. A. Brum, R. Ospina, F. A. G. Almeida e A. M. S. Macêdo. “Análise de curvas epidêmicas da Covid-19 via modelos generalizados de crescimento: Estudo de caso para as cidades de Recife e Teresina”. Em: SciELO Preprints (2020). doi: 10.1590/SciELOPreprints.690.
