HARDCORE: H-field and power loss estimation for arbitrary waveforms with residual, dilated convolutional neural networks in ferrite cores

要約

MagNet Challenge 2023 では、競合他社に対し、トロイダル フェライト コアにおける定常状態の電力損失を材料固有の波形に依存しない推定のためのデータ駆動型モデルを開発するよう求めています。
次の HARDCORE (フェライト コアの残差拡張畳み込みニューラル ネットワークを使用した任意波形の H フィールドと電力損失の推定) アプローチは、事前に観測データでトレーニングした場合、物理学に基づいた拡張機能を備えた残差畳み込みニューラル ネットワークがこのタスクを効率的に実行できることを示しています。
重要なソリューション要素の 1 つは中間モデル層で、最初に bh 曲線を再構築し、次に曲線の面積に基づいて電力損失を推定し、提案されたトポロジを物理的に解釈可能にします。
さらに、無駄のないモデル アーキテクチャを実現するために、専門家ベースの特徴エンジニアリングと豊富な情報入力に重点が置かれました。
モデルは、トポロジは同じままで、マテリアルごとに最初からトレーニングされます。
モデル サイズと推定精度の間のパレート スタイルのトレードオフが実証され、最低 1755 パラメーターで最適値が得られ、最悪の場合の相対誤差の 95 パーセンタイルが 8\,\% 未満になります。
十分なサンプルを備えた材料。

要約(オリジナル)

The MagNet Challenge 2023 calls upon competitors to develop data-driven models for the material-specific, waveform-agnostic estimation of steady-state power losses in toroidal ferrite cores. The following HARDCORE (H-field and power loss estimation for Arbitrary waveforms with Residual, Dilated convolutional neural networks in ferrite COREs) approach shows that a residual convolutional neural network with physics-informed extensions can serve this task efficiently when trained on observational data beforehand. One key solution element is an intermediate model layer which first reconstructs the bh curve and then estimates the power losses based on the curve’s area rendering the proposed topology physically interpretable. In addition, emphasis was placed on expert-based feature engineering and information-rich inputs in order to enable a lean model architecture. A model is trained from scratch for each material, while the topology remains the same. A Pareto-style trade-off between model size and estimation accuracy is demonstrated, which yields an optimum at as low as 1755 parameters and down to below 8\,\% for the 95-th percentile of the relative error for the worst-case material with sufficient samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google