في عالم الذكاء الاصطناعي، تشكل الشبكات العصبية الموجهة بالفيزياء (Physics-Informed Neural Networks - PINNs) إحدى الابتكارات الرائدة، حيث تُتيح هذه الشبكات دمج القوانين الفيزيائية مع البيانات الفعلية لتحسين دقة التنبؤات. لكن، رغم كل هذه الفوائد، يواجه استخدام PINNs في إدارة الصحة والتنبؤات (Prognostics and Health Management - PHM) قيوداً كبيرة بسبب عدم كفاية قدرات قياس عدم اليقين (Uncertainty Quantification - UQ).

في معظم الأساليب الحالية، تعتمد النماذج المستخدمة على عدم اليقين الإبستيمولوجي فقط، مما يحد من قدرتها على اتخاذ قرارات قائمة على المخاطر. لذلك، تم تطوير إطار عمل جديد يسمى B-PINN، الذي يقوم بنمذجة الدمج بين عدم اليقين الإبستيمولوجي والعشوائي، مما يجعله أكثر ملائمة للتطبيقات التي تتطلب اتخاذ قرارات مدروسة.

تضمن B-PINN دمج الشبكات العصبية بايزي (Bayesian Neural Networks - BNNs) مع تقنيات فرض القيود المستندة إلى الفيزياء، مما يعزز الإمكانية للتقدير الاحتمالي داخل هذا الهيكل التعليمي المستند إلى الفيزياء. تم تقييم هذه الطريقة الجديدة على تطبيقات تآكل العوازل باستخدام نماذج حرارية لمشاريع الطاقة الشمسية، وأظهرت النتائج أن B-PINN تفوقت في دقة التنبؤات وتقديرات عدم اليقين مقارنةً بالنماذج التقليدية.

علاوة على ذلك، تم إجراء دراسة شاملة لتحليل حساسية النموذج تجاه شروط الحدود، وشروط البداية، واستراتيجيات العينة المتبقية، مما يعكس تأثير الضوضاء في القياسات على عدم اليقين العشوائي. تُبرز النتائج قدرة التعلم المستند إلى الفيزياء على دعم التنبؤات المعتمدة على عدم اليقين وتحسين إدارة الأصول في مختلف القطاعات.