論文の概要: Multi-Objective Optimization of Electrical Machines using a Hybrid
Data-and Physics-Driven Approach
- arxiv url: http://arxiv.org/abs/2306.09096v1
- Date: Thu, 15 Jun 2023 12:47:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 14:56:17.047653
- Title: Multi-Objective Optimization of Electrical Machines using a Hybrid
Data-and Physics-Driven Approach
- Title（参考訳）: ハイブリッドデータと物理駆動による電気機械の多目的最適化
- Authors: Vivek Parekh, Dominik Flore, Sebastian Sch\"ops, Peter Theisinger
- Abstract要約: 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。
- 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: Magneto-static finite element (FE) simulations make numerical optimization of
electrical machines very time-consuming and computationally intensive during
the design stage. In this paper, we present the application of a hybrid
data-and physics-driven model for numerical optimization of permanent magnet
synchronous machines (PMSM). Following the data-driven supervised training,
deep neural network (DNN) will act as a meta-model to characterize the
electromagnetic behavior of PMSM by predicting intermediate FE measures. These
intermediate measures are then post-processed with various physical models to
compute the required key performance indicators (KPIs), e.g., torque, shaft
power, and material costs. We perform multi-objective optimization with both
classical FE and a hybrid approach using a nature-inspired evolutionary
algorithm. We show quantitatively that the hybrid approach maintains the
quality of Pareto results better or close to conventional FE simulation-based
optimization while being computationally very cheap.
- Abstract（参考訳）: 磁気静電有限要素シミュレーション(FE)は、設計段階で非常に時間がかかり、計算集約的な電気機械の数値最適化を行う。
本稿では,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と物理駆動モデルの適用について述べる。
data-driven supervised trainingに続いて、deep neural network (dnn) は中間fe測定値の予測によって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、必要なキーパフォーマンス指標(KPI)、例えばトルク、シャフトパワー、材料コストを計算するために、様々な物理モデルで後処理される。
自然に着想を得た進化的アルゴリズムを用いて,古典的FEとハイブリッドアプローチの両方を用いて多目的最適化を行う。
提案手法は,従来の FE シミュレーションに基づく最適化よりも,計算コストが非常に低く,Pareto の質を向上することを示す。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。
GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文 参考訳（メタデータ） (2023-11-05T11:48:08Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Deep learning based Meta-modeling for Multi-objective Technology
Optimization of Electrical Machines [0.0]
本稿では,2つの異なるマシン技術を同時に最適化するための変分自動エンコーダの応用について述べる。
トレーニング後、私たちは、グローバルなキーパフォーマンス指標を予測するために、ディープニューラルネットワークとデコーダをメタモデルとして使用します。
論文 参考訳（メタデータ） (2023-06-15T12:33:39Z) - Conditional Generative Models for Simulation of EMG During Naturalistic
Movements [45.698312905115955]
本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。
本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
論文 参考訳（メタデータ） (2022-11-03T14:49:02Z) - Automatic Evolution of Machine-Learning based Quantum Dynamics with
Uncertainty Analysis [4.629634111796585]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)モデルは、長期量子力学をシミュレートするために用いられる。
この研究は、オープン量子システムの動的進化をシミュレートする効果的な機械学習アプローチを構築する。
論文 参考訳（メタデータ） (2022-05-07T08:53:55Z) - Learning Implicit Priors for Motion Optimization [105.11889448885226]
エネルギーベースモデル(EBM)は、表現力のある確率密度分布を表す。
本稿では,EMMを動作最適化に適用するために必要となるモデリングとアルゴリズムの選択について述べる。
論文 参考訳（メタデータ） (2022-04-11T19:14:54Z) - Performance analysis of Electrical Machines based on Electromagnetic
System Characterization using Deep Learning [0.0]
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。
論文 参考訳（メタデータ） (2022-01-24T11:21:32Z) - Yield Optimization using Hybrid Gaussian Process Regression and a
Genetic Multi-Objective Approach [0.0]
本稿では,モンテカルロ解析の信頼性と精度と,ガウス過程回帰に基づく代理モデルの効率を併用したハイブリッドアプローチを提案する。
本稿では,不確実性の影響を軽減する適応Newton-MCと,性能と堅牢性を同時に最適化するための遺伝的多目的アプローチの2つの最適化手法を提案する。
論文 参考訳（メタデータ） (2020-10-08T14:44:37Z) - Data-Driven Permanent Magnet Temperature Estimation in Synchronous
Motors with Supervised Machine Learning [0.0]
自動車用永久磁石同期モータ(PMSM)における磁石温度のモニタリングは難しい課題である。
過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。
いくつかの機械学習(ML)モデルは、潜時高ダイナミックな磁力温度分布を予測するタスクにおいて、その推定精度を実証的に評価する。
論文 参考訳（メタデータ） (2020-01-17T11:41:02Z)
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。