«`html
Моделирование магнитной гистерезиса с использованием нейронных операторов
Моделирование магнитной гистерезиса представляет существенную сложность в области искусственного интеллекта (ИИ), особенно при оптимизации работы магнитных устройств, таких как электрические машины и приводы. Традиционные методы часто затрудняют обобщение на новые магнитные поля, что ограничивает их эффективность в реальных приложениях. Решение этой проблемы имеет ключевое значение для разработки эффективных и обобщающих моделей, способных предсказывать гистерезисное поведение в различных условиях.
Текущие методы моделирования магнитного гистерезиса
Текущие методы моделирования магнитного гистерезиса включают традиционные нейронные сети, такие как рекуррентные нейронные сети (RNN), долгосрочная краткосрочная память (LSTM) и блокирующие рекуррентные блоки (GRU). Они используют свойство универсальной аппроксимации функций для моделирования отношения гистерезиса между приложенными магнитными полями (H) и плотностью магнитного потока (B). Однако они достигают высокой точности только для конкретных возбуждений, использованных во время обучения, не способны обобщаться на новые магнитные поля.
Преимущества нейронных операторов
Предлагается использовать нейронные операторы, а именно Deep Operator Network (DeepONet) и Fourier Neural Operator (FNO) для моделирования отношения гистерезиса между магнитными полями. Нейронные операторы отличаются от традиционных нейронных сетей тем, что они аппроксимируют базовый оператор, отображающий магнитные поля H в магнитные поля B, что позволяет обобщаться на новые магнитные поля. Кроме того, представлен независимый от скорости Fourier Neural Operator (RIFNO) для предсказания материальных ответов при разных частотах дискретизации, что решает проблему скоростной независимости магнитного гистерезиса.
Эффективность предложенного метода
Производится оценка производительности предложенного метода с использованием трех метрик ошибок: относительная ошибка в норме L2, средняя абсолютная ошибка (MAE) и корень из среднеквадратичной ошибки (RMSE). Нейронные операторы, особенно FNO и RIFNO, показали превосходную точность и способность к обобщению по сравнению с традиционными рекуррентными архитектурами. FNO продемонстрировал наименьшие ошибки, с относительной ошибкой 1.34е-3, MAE 7.48е-4 и RMSE 9.74е-4, подчеркивая его эффективность в моделировании магнитного гистерезиса.
В заключение, предложенный метод представляет значительный вклад, предлагая более эффективное и точное решение по сравнению с существующими методами моделирования магнитного гистерезиса. Исследование продвигает область искусственного интеллекта, создавая эффективные и точные модели для магнитных материалов, обеспечивая возможность реального времени и расширяя применимость моделирования гистерезиса.
Получить советы по внедрению ИИ
«`
