Modèle substitut basé sur les réseaux de neurones pour accélérer la simulation des aimants supraconducteurs

Récemment, une équipe de recherche nationale a réalisé une avancée importante dans le domaine de l'analyse électromagnétique et de la conception des aimants supraconducteurs à haute température. L'article de recherche intitulé « A Surrogate Model for High-Temperature Superconducting Magnets to Predict Current Distribution with Neural Networks », réalisé par l'équipe du professeur Qu Timing, a été officiellement accepté par la revue de premier rang du domaine de la supraconductivité « Superconductivity ». Cette étude introduit de manière innovante l'apprentissage profond dans l'analyse électromagnétique des aimants supraconducteurs à haute température et a permis de construire avec succès un modèle substitut basé sur les réseaux de neurones, offrant une nouvelle voie technique pour résoudre la prédiction de distributions de courant complexes et l'optimisation rapide des paramètres des aimants.

En tant qu'équipement essentiel des dispositifs de fusion nucléaire contrôlée et de science des champs magnétiques intenses, les aimants supraconducteurs à haute température présentent en leur sein une distribution non uniforme de la densité de courant en raison d'effets complexes de courants d'écran. Bien que la méthode traditionnelle des éléments finis offre une grande précision, le temps de calcul augmente de manière exponentielle à mesure que la taille des aimants ne cesse de croître, ce qui entrave sérieusement l'itération rapide des schémas de conception. Face à ce goulot d'étranglement technique, l'équipe de recherche a proposé un modèle substitut basé sur un réseau de neurones résiduel entièrement connecté (FCRN), entraîné efficacement à l'aide de données de simulation par éléments finis, permettant au modèle de prédire en quelques secondes la distribution de la densité de courant à l'intérieur des bandes supraconductrices et de calculer les pertes en courant alternatif et le champ magnétique central en fonction des paramètres géométriques et des conditions de fonctionnement de l'aimant.

Lors de la validation dans des conditions de fonctionnement spécifiques, le modèle a démontré une précision de prédiction et une efficacité de calcul très élevées. Dans les tests d'excitation rapide et de fonctionnement en régime permanent, l'erreur relative du modèle sur la prédiction des pertes par magnétisation d'excitation est inférieure à 10 %, et l'erreur relative moyenne sur la prédiction du champ magnétique central en régime permanent n'est que de 1,2 %. Alors que la méthode traditionnelle des éléments finis nécessite plusieurs heures pour réaliser une simulation d'excitation, le modèle de réseau de neurones entraîné peut achever la prédiction de la distribution de la densité de courant à un instant donné en moins d'une seconde, réalisant un saut qualitatif en termes d'efficacité de calcul. Les performances remarquables du réseau de neurones résiduel améliorent efficacement la convergence de l'entraînement des réseaux profonds, jetant ainsi une base solide pour le traitement de problèmes électromagnétiques complexes.

Sur la base de la prédiction rapide des caractéristiques électromagnétiques, la recherche a en outre étendu l'application pratique de l'intelligence artificielle dans la conception intelligente des aimants. Avec pour objectifs d'optimisation un champ magnétique central supérieur à 16 T, une non-uniformité dans la zone centrale inférieure à 1 % et une réduction de la quantité de bandes supraconductrices utilisées, le modèle a achevé en seulement 290 secondes le balayage et l'évaluation efficaces de 4265 combinaisons de paramètres, sélectionnant avec succès un schéma de qualité prédisant un champ magnétique central de 16,02 T, en très bonne concordance avec le résultat du calcul par éléments finis (16,04 T). Avec l'intégration future des contraintes physiques et l'extension continue des conditions d'entraînement, la technologie de l'intelligence artificielle jouera certainement un rôle encore plus crucial dans l'optimisation multiparamétrique et la conception technique des aimants supraconducteurs à haute température.