Нейросетевая суррогатная модель ускоряет моделирование сверхпроводящих магнитов

В последнее время отечественная научная группа добилась важного прорыва в области электромагнитного анализа и проектирования высокотемпературных сверхпроводящих магнитов. Научная статья «A Surrogate Model for High-Temperature Superconducting Magnets to Predict Current Distribution with Neural Networks», выполненная группой под руководством преподавателя Цюй Тимина, была официально принята ведущим журналом в области сверхпроводимости «Superconductivity». В данном исследовании новаторски применено глубокое обучение в электромагнитном анализе высокотемпературных сверхпроводящих магнитов, успешно построена суррогатная модель на основе нейронной сети, что предоставляет совершенно новый технический путь для решения задач прогнозирования сложного распределения тока и быстрой оптимизации параметров магнитов.

Высокотемпературные сверхпроводящие магниты являются ключевым оборудованием установок управляемого термоядерного синтеза и научных устройств сильных магнитных полей. Вследствие сложного эффекта экранирующих токов внутри них существует неоднородное распределение плотности тока. Хотя традиционный метод конечных элементов обладает высокой точностью, по мере непрерывного увеличения масштабов магнитов вычислительные затраты возрастают экспоненциально, что серьёзно ограничивает быструю итерацию проектных решений. Для преодоления этого инженерного узкого места исследовательская группа предложила суррогатную модель на основе полносвязной остаточной нейронной сети (FCRN), использующую данные конечно-элементного моделирования для эффективного обучения, что позволяет модели по геометрическим параметрам и условиям работы магнита прогнозировать распределение плотности тока внутри ленты за секунды и рассчитывать потери на переменном токе и центральное магнитное поле.

В ходе проверки на конкретных режимах работы модель продемонстрировала чрезвычайно высокую точность прогнозирования и вычислительную эффективность. В тестах быстрого возбуждения и стационарного режима относительная погрешность прогнозирования потерь на намагничивание при возбуждении составила менее 10%, а средняя относительная погрешность прогнозирования центрального магнитного поля в стационарном режиме — всего 1,2%. Традиционному методу конечных элементов для выполнения одного расчёта возбуждения требуются часы, тогда как обученная нейросетевая модель способна выполнить прогнозирование распределения плотности тока в заданный момент времени за доли секунды, что представляет собой качественный скачок вычислительной эффективности. Выдающиеся характеристики остаточной нейронной сети эффективно улучшили сходимость обучения глубоких сетей, заложив прочную основу для решения сложных электромагнитных задач.

На основе быстрого прогнозирования электромагнитных характеристик исследование дополнительно расширило практическое применение искусственного интеллекта в интеллектуальном проектировании магнитов. С целевыми функциями оптимизации: центральное магнитное поле более 16 тесла (Т), неоднородность в центральной области менее 1% и сокращение расхода сверхпроводящей ленты — модель всего за 290 секунд выполнила эффективное сканирование и оценку 4265 комбинаций параметров, успешно отобрав качественное решение с прогнозируемым центральным магнитным полем 16,02 тесла, что в высокой степени согласуется с результатами конечно-элементного расчёта (16,04 тесла). По мере дальнейшего объединения физических ограничений и расширения условий обучения технологии искусственного интеллекта непременно будут играть ещё более ключевую роль в многопараметрической оптимизации и инженерном проектировании высокотемпературных сверхпроводящих магнитов.