論文の概要: Performance analysis of Electrical Machines based on Electromagnetic
System Characterization using Deep Learning
- arxiv url: http://arxiv.org/abs/2201.09603v1
- Date: Mon, 24 Jan 2022 11:21:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 16:13:17.760748
- Title: Performance analysis of Electrical Machines based on Electromagnetic
System Characterization using Deep Learning
- Title（参考訳）: 深層学習を用いた電磁システム評価に基づく電気機械の性能解析
- Authors: Vivek Parekh, Dominik Flore, Sebastian Sch\"ops
- Abstract要約: 本稿では,電気機械の電磁的挙動を近似する新しいデータ駆動型深層学習(DL)手法を提案する。
鍵となる考え方は、提案されたマルチブランチディープニューラルネットワーク(DNN)を、大量の格納されたFEデータを教師付き方法で段階的にトレーニングすることである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The numerical optimization of an electrical machine entails computationally
intensive and time-consuming magneto-static finite element (FE) simulation.
Generally, this FE-simulation involves varying input geometry, electrical, and
material parameters of an electrical machine. The result of the FE simulation
characterizes the electromagnetic behavior of the electrical machine. It
usually includes nonlinear iron losses and electromagnetic torque and flux at
different time-steps for an electrical cycle at each operating point (varying
electrical input phase current and control angle). In this paper, we present a
novel data-driven deep learning (DL) approach to approximate the
electromagnetic behavior of an electrical machine by predicting intermediate
measures that include non-linear iron losses, a non-negligible fraction
($\frac{1}{6}$ of a whole electrical period) of the electromagnetic torque and
flux at different time-steps for each operating point. The remaining time-steps
of the electromagnetic flux and torque for an electrical cycle are estimated by
exploiting the magnetic state symmetry of the electrical machine. Then these
calculations, along with the system parameters, are fed as input to the
physics-based analytical models to estimate characteristic maps and key
performance indicators (KPIs) such as material cost, maximum torque, power,
torque ripple, etc. The key idea is to train the proposed multi-branch deep
neural network (DNN) step by step on a large volume of stored FE data in a
supervised manner. Preliminary results exhibit that the predictions of
intermediate measures and the subsequent computations of KPIs are close to the
ground truth for a new machine design in the input design space. In the end,
the quantitative analysis validates that the hybrid approach is more accurate
than the existing DNN-based direct prediction of KPIs, which avoids
electromagnetic calculations.
- Abstract（参考訳）: 電気機械の数値最適化は、計算集約的かつ時間のかかる磁気静磁場有限要素(fe)シミュレーションを伴う。
一般に、feシミュレーションは電気機械の入力幾何、電気的、物質的パラメータを変化させる。
FEシミュレーションの結果は、電気機械の電磁的挙動を特徴づけるものである。
通常、各操作点(入力位相電流と制御角度)での電気サイクルの異なる時間ステップにおける非線形鉄損と電磁トルクとフラックスを含む。
本稿では,非直線的鉄損,電磁トルクの非無視的分画(全電気周期の$),各動作点の異なる時間ステップでのフラックスなどの中間的測定を予測し,電気機械の電磁的挙動を近似する新しいデータ駆動深度学習(DL)手法を提案する。
電気機械の磁気状態対称性を利用して、電磁フラックスと電気サイクルのトルクの残りの時間ステップを推定する。
そして、これらの計算とシステムパラメータは、物理に基づく解析モデルへの入力として入力され、材料コスト、最大トルク、パワー、トルクリップルなどの特性マップとキーパフォーマンスインジケータ(KPI)を推定する。
鍵となる考え方は、提案されたマルチブランチディープニューラルネットワーク(DNN)を、大量の格納されたFEデータを教師付き方法で段階的にトレーニングすることである。
予備的な結果は、中間測度とその後のKPIの計算の予測が入力設計空間における新しい機械設計の根拠に近いことを示している。
最後に, 電磁計算を回避した既存のDNNによるKPIの直接予測よりも, ハイブリッド手法の方が精度が高いことを示す。
関連論文リスト
- Topology-Informed Machine Learning for Efficient Prediction of Solid Oxide Fuel Cell Electrode Polarization [0.0]
機械学習は固体酸化物燃料電池電極の研究と開発を迅速化するための強力な計算ツールとして登場した。
本稿では,計算トポロジから導出した永続化表現を利用した新しい手法を提案する。
人工ニューラルネットワークは、固体酸化物燃料電池電極の偏極曲線を正確に予測することができる。
論文 参考訳（メタデータ） (2024-10-04T19:00:37Z) - Accurate melting point prediction through autonomous physics-informed
learning [52.217497897835344]
NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。
固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
論文 参考訳（メタデータ） (2023-06-23T07:53:09Z) - Multi-Objective Optimization of Electrical Machines using a Hybrid
Data-and Physics-Driven Approach [0.0]
永久磁石同期機(PMSM)の数値最適化におけるハイブリッドデータおよび物理駆動モデルの適用について述べる。
データ駆動型教師ありトレーニングの後、ディープニューラルネットワーク(DNN)はPMSMの電磁的挙動を特徴付けるメタモデルとして機能する。
これらの中間測度は、必要な重要な性能指標を計算するために、様々な物理モデルで後処理される。
論文 参考訳（メタデータ） (2023-06-15T12:47:56Z) - First-quantized eigensolver for ground and excited states of electrons
under a uniform magnetic field [0.0]
第一量子化固有解法(英: First-quantized eigensolver, FQE)は、近年提案されている量子計算のフレームワークである。
本稿では,FQE計算に均一な磁場を導入する手法を提案する。
論文 参考訳（メタデータ） (2022-12-28T12:44:44Z) - Faster spectral density calculation using energy moments [77.34726150561087]
我々は、最近提案されたガウス積分変換法を、ハミルトニアン系のフーリエモーメントの観点から再構成する。
このフレームワークの主な利点の1つは、計算コストの大幅な削減を可能にすることである。
論文 参考訳（メタデータ） (2022-11-01T23:57:58Z) - A machine-learning-based tool for last closed magnetic flux surface
reconstruction on tokamak [58.42256764043771]
トカマク装置による核融合発電は、クリーンエネルギーの持続可能な供給源として最も有望な方法の1つである。
トカマクの主な課題は、アクチュエータコイルと内部トカマクプラズマの相互作用によって決定される最後の閉じた磁束面(LCFS)を予測することである。
本研究では,実験データから自動的に学習する実験用超電導トカマク(EAST)からLCFSを再構築する機械学習モデルを提案する。
論文 参考訳（メタデータ） (2022-07-12T17:15:29Z) - WaveY-Net: Physics-augmented deep learning for high-speed
electromagnetic simulation and optimization [0.0]
我々は,超高速で電磁場分布を予測できるハイブリッドデータおよび物理拡張畳み込みニューラルネットワークであるWaveY-Netを紹介する。
高速シミュレータは,局所的および大域的なメタゲーションのフリーフォーム最適化において,直接的かつ効果的に利用できることを示す。
論文 参考訳（メタデータ） (2022-03-02T17:11:33Z) - Computing molecular excited states on a D-Wave quantum annealer [52.5289706853773]
分子系の励起電子状態の計算にD波量子アニールを用いることを実証する。
これらのシミュレーションは、太陽光発電、半導体技術、ナノサイエンスなど、いくつかの分野で重要な役割を果たしている。
論文 参考訳（メタデータ） (2021-07-01T01:02:17Z) - Surpassing the Energy Resolution Limit with ferromagnetic torque sensors [55.41644538483948]
標準量子限界における熱力学ノイズと機械的検出ノイズを考慮した最適磁場分解能の評価を行った。
近年の文献で指摘されているエネルギー分解限界(ERL, Energy Resolution Limit)は, 桁違いに超えることがある。
論文 参考訳（メタデータ） (2021-04-29T15:44:12Z) - Controlled coherent dynamics of [VO(TPP)], a prototype molecular nuclear
qudit with an electronic ancilla [50.002949299918136]
本稿では,[VO(TPP)](バナジルテトラフェニルポルフィリン酸塩)が量子計算アルゴリズムの実装に適していることを示す。
超微細相互作用によって結合された電子スピン1/2を核スピン7/2に埋め込み、どちらも顕著なコヒーレンスによって特徴づけられる。
論文 参考訳（メタデータ） (2021-03-15T21:38:41Z) - Deep Learning-based Prediction of Key Performance Indicators for
Electrical Machine [0.0]
データ支援,深層学習に基づくメタモデルを用いて,電気機械の設計を迅速かつ高精度に予測する。
その結果、高い予測精度を示し、最適化時間を最小化するためのディープラーニングに基づくメタモデルの妥当性を示す。
論文 参考訳（メタデータ） (2020-12-16T18:03:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。