論文の概要: Accounting for Hysteresis and Eddy Currents in Finite Element Simulations of Ferromagnetic Laminated Cores using a Recurrent Neural Network

• arxiv url: http://arxiv.org/abs/2607.14321v1
• Date: Wed, 15 Jul 2026 19:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.89768
• Title: Accounting for Hysteresis and Eddy Currents in Finite Element Simulations of Ferromagnetic Laminated Cores using a Recurrent Neural Network
• Title（参考訳）: リカレントニューラルネットワークを用いた強磁性積層コアの有限要素シミュレーションにおけるヒステリシスと渦電流の計算
• Abstract要約: 本稿では,等方性積層コアに対する積層コアモデルのサロゲートとしてニューラルネットワークを訓練する。 磁化ベクトルポテンシャルの定式化に基づく現実的な二次元磁気力学有限要素シミュレーションに統合される。 提案手法は,計算コストをアンヒステリックシミュレーションの約2倍に抑えながら,参照ラミネートコアモデルとの良好な一致を実現する。
• 参考スコア（独自算出の注目度）: 4.205791355527246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incorporating hysteresis and eddy currents into finite element simulations of laminated-core electrical machines is computationally challenging. Resolving the fields inside the laminations at each integration point and at every nonlinear iteration leads to computational costs several orders of magnitude higher than anhysteretic simulations, making such approaches impractical for design applications. Conversely, simplified models accounting only for magnetic saturation are becoming increasingly inadequate as electrical machine topologies and operating conditions grow in complexity. In this context, machine learning surrogate modeling has emerged as a promising alternative, offering efficient and accurate approximations of complex electromagnetic behaviors. In this paper, a recurrent neural network is trained as a surrogate of a laminated-core material model for an isotropic laminated core, and is integrated into realistic two-dimensional magnetodynamic finite element simulations based on a magnetic vector potential formulation. The proposed approach achieves excellent agreement with the reference laminated-core model while limiting the computational cost to about twice that of an anhysteretic simulation. By training the recurrent neural network on a sufficiently diverse set of artificially generated magnetic field sequences designed to mimic those encountered in electrical machine simulations, the proposed approach can be readily applied across a wide range of finite element simulations. Furthermore, the trained surrogate model is provided as a standalone component that can be easily incorporated into existing computational frameworks. It is publicly available at https://gitlab.onelab.info/getdp/lamnet.
• Abstract（参考訳）: ラミネートコア電気機械の有限要素シミュレーションにヒステリシスと渦電流を組み込むことは計算的に困難である。 各積分点におけるラミネート内および各非線形反復におけるフィールドの解法は、非ヒステリックシミュレーションよりも数桁高い計算コストをもたらすため、そのようなアプローチは設計アプリケーションでは実用的ではない。 逆に、電気機械トポロジや運転条件が複雑化するにつれて、磁気飽和のみを考慮に入れた単純化されたモデルが不適切なものになりつつある。 この文脈において、機械学習シュロゲートモデリングは、複雑な電磁的挙動の効率的かつ正確な近似を提供する、有望な代替手段として登場した。 本稿では、等方性積層コアの積層コアモデルのサロゲートとしてリカレントニューラルネットワークを訓練し、磁気ベクトルポテンシャル定式化に基づく現実的な2次元磁気力学有限要素シミュレーションに統合する。 提案手法は,計算コストをアンヒステリックシミュレーションの約2倍に抑えながら,参照ラミネートコアモデルとの良好な一致を実現する。 電気機械シミュレーションで遭遇した現象を模した、十分に多様な人工的に生成された磁場列を用いて、リカレントニューラルネットワークをトレーニングすることにより、提案手法は広範囲の有限要素シミュレーションで容易に適用できる。 さらに、トレーニングされたサロゲートモデルは、既存の計算フレームワークに簡単に組み込むことができるスタンドアロンコンポーネントとして提供される。 https://gitlab.onelab.info/getdp/lamnet.comで公開されている。

関連論文リスト

• Gradient Networks for Universal Magnetic Modeling of Synchronous Machines [39.146761527401424]
  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。
  論文  参考訳（メタデータ） (2026-02-16T17:28:42Z)
• HPC-Driven Modeling with ML-Based Surrogates for Magnon-Photon Dynamics in Hybrid Quantum Systems [31.546969452125214]
  オンチップ・マグノン光子回路のための超並列シミュレーションフレームワークを提案する。 我々のフレームワークは、次世代量子・スピントロニクスデバイスのスケーラブルなシミュレーションと高速なプロトタイピングを可能にする。
  論文  参考訳（メタデータ） (2025-10-25T08:51:00Z)
• 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)
• Differentiable multiphase flow model for physics-informed machine learning in reservoir pressure management [44.41703936689344]
  完全に微分可能な多相流シミュレータを結合した物理インフォームド機械学習ワークフローを提案する。 CNNは、不均一な透水性フィールドからの流体抽出速度を予測し、臨界貯水池の圧力制限を強制する。 本研究では, 3 万以上の完全物理多相流シミュレーションにより, 高精度な学習が可能であることを示す。
  論文  参考訳（メタデータ） (2025-08-26T20:38:02Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• NeuralMAG: Fast and Generalizable Micromagnetic Simulation with Deep Neural Nets [9.674100498903844]
  我々は,マイクロ磁気シミュレーションの深層学習手法であるNeuralMAGを紹介する。 我々のアプローチは、LLG反復フレームワークに従うが、U字型ニューラルネットワーク(Unet)の利用により磁場の非磁性化を加速する。 既存のニューラルネットワークとは異なり、NeuralMAGは特定のタスクに対するエンドツーエンドの近似ではなく、コア計算に集中しており、本質的に一般化可能である。
  論文  参考訳（メタデータ） (2024-10-19T05:25:08Z)
• 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)
• Predictive Scale-Bridging Simulations through Active Learning [43.48102250786867]
  我々は,局所的な微粒なシミュレーションを用いて粗大な流体力学を解析するために,能動的学習手法を用いる。 提案手法は3つの課題に対処する。連続体粗大軌道の予測,大規模計算からの粗大軌道の動的更新,ニューラルネットワークモデルの不確かさの定量化である。
  論文  参考訳（メタデータ） (2022-09-20T15:58:50Z)
• Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
  本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。 これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。 力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
  論文  参考訳（メタデータ） (2021-09-07T20:01:22Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Learning Composable Energy Surrogates for PDE Order Reduction [28.93892833892805]
  パラメトリックなモジュラー構造を用いてコンポーネントレベルのサロゲートを学習し、より安価な高忠実度シミュレーションを実現する。 ニューラルネットワークを用いて、所定の境界条件で格納されたポテンシャルエネルギーをモデル化する。 構成可能なエネルギーサロゲートは、コンポーネント境界の縮小に基づくシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2020-05-13T19:41:24Z)

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。