El artículo de investigación "Aprendizaje de Campos Electromagnéticos Basado en Funciones de Base de Elementos Finitos" explora la aplicación de los modelos de aprendizaje automático y de datos para predecir y simular campos electromagnéticos dentro de geometrías complejas de máquinas eléctricas.
Los aspectos clave del estudio incluyen:
- **Optimización de Diseño y Monitoreo Operacional**: Los autores subrayan la creciente importancia de los modelos impulsados por datos en la optimización de diseño y el monitoreo operacional de máquinas eléctricas, como los Motores Síncronos de Imán Permanente (PMSM).
- **Variabilidad Geométrica y Representaciones de CAD**: Para manejar la complejidad de las geometrías de máquinas con dimensiones variables, son cruciales las representaciones basadas en spline procedentes del Diseño Asistido por Computadora (CAD). Esto permite una modelación y análisis eficiente de máquinas con variaciones geométricas.
- **Análisis Isogeométrico (IGA)**: El artículo introduce un nuevo enfoque que combina el IGA con la Descomposición Ortogonal Propia (POD) y el Aprendizaje Profundo (DNN). El IGA es especialmente útil ya que utiliza funciones de spline para la representación, permitiendo simulaciones más precisas y flexibles en comparación con los métodos de elementos finitos tradicionales.
- **Redes Neuronales Informativas Físicas (PINNs)**: Se utilizan las PINNs en el modelo para imponer las ecuaciones diferenciales parciales (PDEs) reguladoras como restricciones suaves durante el entrenamiento. Esto asegura la consistencia física del modelo y las predicciones resultantes.
- **Construcción de la Base de Reducida con POD**: Se utiliza POD para reducir la dimensionalidad del problema, lo que acelera el proceso de entrenamiento y reduce el costo computacional. La base reducida obtenida de POD se utiliza luego en conjunto con el DNN para predecir los coeficientes de las funciones de base de spline.
- **Aplicación a PMSM**: El modelo propuesto se aplica a un modelo paramétrico no lineal de magnetoestática de un PMSM. El estudio investiga dos escenarios: uno donde solo se predice la distribución del campo de aire隙 y otro donde se predice la distribución completa del campo magnético.
- **Resultados y Rendimiento**: El artículo presenta resultados numéricos que demuestran la efectividad del enfoque propuesto. La precisión de las predicciones se evalúa en términos de errores relativos en los conjuntos de datos de entrenamiento, validación y prueba. Los resultados indican que el marco POD-DNN propuesto es un enfoque prometedor para la predicción paramétrica del campo en geometrías complejas.
En resumen, el estudio presenta un nuevo enfoque para predecir campos electromagnéticos en máquinas eléctricas complejas utilizando modelos impulsados por datos. El método propuesto combina IGA, POD y DNN para lograr simulaciones precisas y eficientes al mismo tiempo que reduce el costo computacional. Los resultados demuestran el potencial de este enfoque para diversas aplicaciones en la optimización de diseño y el monitoreo operacional de máquinas eléctricas.