Zusammenfassung - Lernen von elektromagnetischen Feldern basierend auf eindimensionalen Elementbasisfunktionen

Lernen von elektromagnetischen Feldern basierend auf eindimensionalen Elementbasisfunktionen

2025-07-25 13:33:41

{"Merle Backmeyer","Michael Wiesheu","Sebastian Schöps"}

{cs.CE}

Die Forschungsarbeit "Learning Electromagnetic Fields Based on Finite Element Basis Functions" untersucht die Anwendung von maschinellem Lernen und datengetriebenen Modellen zur Vorhersage und Simulation elektromagnetischer Felder innerhalb komplexer Elektromaschinengeometrien. Schlüsselaspekte der Studie sind: - **Designoptimierung und Überwachung**: Die Autoren betonen die zunehmende Bedeutung datengetriebener Modelle in der Designoptimierung und Betriebsüberwachung von Elektromaschinen, wie zum Beispiel Permanentmagnet-Synchronmaschinen (PMSM). - **Geometrische Variabilität und CAD-Darstellungen**: Um die Komplexität von Maschinengeometrien mit variablen Abmessungen zu bewältigen, sind splinebasierte Darstellungen aus Computer-Aided Design (CAD) entscheidend. Dies ermöglicht eine effiziente Modellierung und Analyse von Maschinen mit geometrischen Variationen. - **Isogeometrische Analyse (IGA)**: Das Papier stellt einen neuen Ansatz vor, der IGA mit Proper Orthogonal Decomposition (POD) und Deep Learning (DNN) kombiniert. IGA ist besonders nützlich, da es spline-Funktionen zur Darstellung verwendet, was genauere und flexiblere Simulationen im Vergleich zu traditionellen Finite-Element-Methoden ermöglicht. - **Physics-Informed Neural Networks (PINNs)**: PINNs werden im Modell verwendet, um die beherrschenden partiellen Differentialgleichungen (PDEs) als weiche Konstraine während des Trainings zu erzwingen. Dies stellt die physikalische Konsistenz des Modells und der resultierenden Vorhersagen sicher. - **Erstellung reduzierter Basen mit POD**: POD wird verwendet, um die Dimensionalität des Problems zu verringern, was den Trainingsprozess beschleunigt und die Berechnungskosten reduziert. Die aus POD erhaltenen reduzierten Basen werden dann in Kombination mit DNN verwendet, um die Koeffizienten der spline-Basisfunktionen zu vorhersagen. - **Anwendung auf PMSM**: Das vorgeschlagene Modell wird auf ein parametrisches nichtlineares Magnetostatisches Modell eines PMSM angewendet. Die Studie untersucht zwei Szenarien: eines, bei dem nur die Luftspaltfeldverteilung vorhergesagt wird, und eines, bei dem die vollständige Magnetfeldverteilung vorhergesagt wird. - **Ergebnisse und Leistung**: Das Papier präsentiert numerische Ergebnisse, die die Effektivität des vorgeschlagenen Ansatzes demonstrieren. Die Genauigkeit der Vorhersagen wird in Bezug auf relative Fehler in Trainings-, Validierungs- und Testdatenätzen bewertet. Die Ergebnisse deuten darauf hin, dass das vorgeschlagene POD-DNN-Framework ein vielversprechender Ansatz für parametrische Feldvorhersagen in komplexen Geometrien ist. Zusammenfassend lässt sich sagen, dass die Studie einen neuen Ansatz für die Vorhersage elektromagnetischer Felder in komplexen Elektromaschinen mithilfe datengetriebener Modelle vorstellt. Der vorgeschlagene Ansatz kombiniert IGA, POD und DNN, um genaue und effiziente Simulationen zu erreichen, während die Berechnungskosten reduziert werden. Die Ergebnisse demonstrate das Potenzial dieses Ansatzes für verschiedene Anwendungen in der Designoptimierung und Betriebsüberwachung von Elektromaschinen.