論文の概要: Gradient Networks for Universal Magnetic Modeling of Synchronous Machines

• arxiv url: http://arxiv.org/abs/2602.14947v1
• Date: Mon, 16 Feb 2026 17:28:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.562218
• Title: Gradient Networks for Universal Magnetic Modeling of Synchronous Machines
• Title（参考訳）: 同期機のユニバーサル磁気モデリングのためのグラディエントネットワーク
• Authors: Junyi Li, Tim Foissner, Floran Martin, Antti Piippo, Marko Hinkkanen,
• Abstract要約: 本稿では,飽和同期機の動的モデリングのための物理インフォームドニューラルネットワーク手法を提案する。 本稿では,勾配ネットワークを基本機械方程式に直接組み込むアーキテクチャを提案する。 本稿では,5.6kW永久磁石同期機の有限要素法(FEM)を用いて提案手法を検証する。
• 参考スコア（独自算出の注目度）: 39.146761527401424
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a physics-informed neural network approach for dynamic modeling of saturable synchronous machines, including cases with spatial harmonics. We introduce an architecture that incorporates gradient networks directly into the fundamental machine equations, enabling accurate modeling of the nonlinear and coupled electromagnetic constitutive relationship. By learning the gradient of the magnetic field energy, the model inherently satisfies energy balance (reciprocity conditions). The proposed architecture can universally approximate any physically feasible magnetic behavior and offers several advantages over lookup tables and standard machine learning models: it requires less training data, ensures monotonicity and reliable extrapolation, and produces smooth outputs. These properties further enable robust model inversion and optimal trajectory generation, often needed in control applications. We validate the proposed approach using measured and finite-element method (FEM) datasets from a 5.6-kW permanent-magnet (PM) synchronous reluctance machine. Results demonstrate accurate and physically consistent models, even with limited training data.
• Abstract（参考訳）: 本稿では,空間調和を含む飽和同期機の動的モデリングのための物理インフォームドニューラルネットワーク手法を提案する。 本稿では、勾配ネットワークを直接基本機械方程式に組み込むアーキテクチャを導入し、非線形および結合電磁構成関係の正確なモデリングを可能にする。 磁場エネルギーの勾配を学習することで、モデルは本質的にエネルギーバランス(相互性条件)を満たす。 提案したアーキテクチャは、物理的に実現可能な磁気挙動を普遍的に近似することができ、ルックアップテーブルや標準的な機械学習モデルよりもいくつかの利点がある。 これらの性質は、しばしば制御アプリケーションで必要とされる頑健なモデル反転と最適軌道生成を可能にする。 本稿では,5.6kW永久磁石(PM)同期リラクタンスマシンの有限要素法(FEM)データセットを用いて提案手法を検証する。 結果は、限られたトレーニングデータであっても、正確で物理的に一貫したモデルを示します。

関連論文リスト

• Physics Aware Neural Networks: Denoising for Magnetic Navigation [3.624059602945058]
  空中システムは、地磁気データを抽出する上で重要な課題に直面している。 本研究では, 分散自由ベクトル場とE(3)等分散という, 物理学に基づく2つの制約に基づく枠組みを提案する。 実験により、これらの制約を埋め込むことで予測精度と物理的妥当性が大幅に向上し、古典的なディープラーニングアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-14T09:23:57Z)
• Magnetic field estimation using Gaussian process regression for interactive wireless power system design [6.102646086243458]
  共振器を結合したワイヤレス電力伝送は、電子機器のシームレスな電力供給に有望なソリューションを提供する。 磁場と電力伝達効率を可視化するインタラクティブな設計手法は、これらのシステムの理解と探索を容易にする。 本稿では,Gaussian Process Regression (GPR) を用いた機械学習手法を提案する。
  論文  参考訳（メタデータ） (2025-10-22T06:26:38Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [2.1303885995425635]
  モデル統合ニューラルネットワーク(MINN)と呼ばれる新しい機械学習アーキテクチャを提案する。 MINNは偏微分代数方程式(PDAE)からなる一般自律系または非自律系の物理に基づくダイナミクスを学ぶ 提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
  論文  参考訳（メタデータ） (2023-04-27T09:11:40Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Modeling System Dynamics with Physics-Informed Neural Networks Based on Lagrangian Mechanics [3.214927790437842]
  第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。 本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。 本研究の目的は,機械系のモデルベース制御とシステム同定である。
  論文  参考訳（メタデータ） (2020-05-29T15:10:43Z)

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。