Banca de DEFESA: MANOELA MACEDO VIEIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: MANOELA MACEDO VIEIRA
DATA : 23/01/2026
HORA: 09:00
LOCAL: Virtual
TÍTULO:

Predicting Sucrose Dynamics in Crops with Physics-Informed Graph
Neural Networks: Challenges and Solution Strategies

 

PALAVRAS-CHAVES:

redes neurais informadas por física; redes neurais em grafos; modelo funcional–estrutural de plantas; transporte de sacarose.

PÁGINAS: 85
RESUMO:

A compreensão dos processos fisiológicos internos das plantas é fundamental para o desenvolvimento de tecnologias de agricultura sustentável. No entanto, esses processos são difíceis de observar diretamente devido a fortes limitações de observabilidade, que restringem a obtenção de medições contínuas e não invasivas de variáveis internas relevantes. Modelos Funcional-Estruturais de Plantas (FSPMs, do inglês Functional-Structural Plant Models) fornecem descrições mecanicistas e fisiologicamente fundamentadas da dinâmica vegetal, mas apresentam elevado custo computacional e dificuldades de calibração ou de adaptação quando os dados experimentais são escassos. Em contraste, modelos puramente orientados por dados oferecem maior eficiência computacional, porém frequentemente carecem de interpretabilidade e podem violar princípios físicos fundamentais. Este trabalho propõe o PhloemPhysGNN, uma rede neural em grafos com incorporação explícita de princípios físicos, desenvolvida para predizer o transporte de sacarose no floema vegetal, assegurando consistência física. A abordagem adotada baseia-se em uma arquitetura modular, na qual uma rede neural em grafos prediz o conteúdo de sacarose em nível nodal a partir de uma representação da planta como grafo, enquanto um módulo dedicado, baseado em leis físicas, calcula o transporte axial de sacarose e as divergências de fluxo. As leis físicas que governam o transporte são incorporadas diretamente à função de perda, permitindo que o modelo aprenda dinâmicas internas fisiologicamente plausíveis. A avaliação do modelo é realizada por meio de um conjunto de dados sintético gerado com o modelo funcional-estrutural CPlantBox, contemplando variabilidade estrutural e múltiplos cenários ambientais. Os resultados experimentais indicam que o PhloemPhysGNN supera significativamente abordagens puramente orientadas por dados em termos de consistência física, especialmente quanto à direcionalidade dos fluxos e à conservação de massa. Além disso, o modelo proposto alcança reduções de várias ordens de magnitude na latência de inferência e no throughput quando comparado ao solucionador numérico do CPlantBox. Esses resultados demonstram que redes neurais em grafos informadas por princípios físicos constituem uma alternativa eficaz e computacionalmente eficiente para a modelagem de processos internos de transporte em plantas sob condições de observabilidade limitada.

MEMBROS DA BANCA:
Externa à Instituição - OLESYA GALKINA - Cesar School
Presidente - 3435009 - FLAVIO ARTHUR OLIVEIRA SANTOS
Interno - 1845999 - STEFAN MICHAEL BLAWID