Ensemble Parameter Estimation for the Lumped Parameter Linear Superposition (LPLSP) Framework: A Rapid Approach to Reduced-Order Modeling for Transient Thermal Systems

ملخص تقني: تقدير معلمات المجموعة لإطار عمل LPLSP

بيان المشكلة
تعد النمذجة الحرارية الفعالة أمراً بالغ الأهمية لتصميم وموثوقية إلكترونيات القدرة، لا سيما في ظل ظروف التشغيل العابرة السريعة. وبينما توفر محاكاة ديناميكا الموائع الحسابية (CFD) عالية الدقة نتائج دقيقة، إلا أنها مكلفة حاسوبياً لعمليات التصميم التكرارية وتقييمات ملفات المهمة (mission-profile). وتواجه استراتيجيات النمذجة منخفضة الرتبة (ROM) الحالية، مثل الشبكات الحرارية المدمجة (CTNs) والطرق القائمة على الإسقاط، صعوبات في الاقتران متعدد المصادر، أو القابلية للتوسع، أو تتطلب مجموعات بيانات واسعة وتعديلاً دقيقاً للمعلمات الفائقة (hyperparameters).

تحديداً، قدم العمل السابق للمؤلفين إطار عمل "التراكب الخطي للمعلمات المجمعة" (LPLSP)، والذي يوفر تنبؤات دقيقة لدرجات الحرارة العابرة بجزء ضئيل من تكلفة الـ CFD. ومع ذلك، تطلبت النسخة الأصلية سير عمل يتطلب جهداً مكثفاً: إجراء سلسلة من المحاكاة البارامترية حيث يتم تشغيل كل مصدر حراري بشكل مستقل تحت مدخل ثابت لعزل المعلمات. هذا النهج يتوسع بشكل سيء مع زيادة عدد المصادر الحرارية، وغالباً ما يكون غير عملي في إعدادات الاختبار الفيزيائية حيث يستحيل عزل المكونات الفردية.

المنهجية
يقترح البحث إطار عمل لتقدير معلمات المجموعة يقوم بتوليد نماذج حرارية منخفضة الرتبة من مجموعة بيانات عابرة واحدة، بدلاً من دراسات بارامترية متعددة ومعزولة.

1. الصياغة الجوهرية: يعبر نموذج LPLSP درجة الحرارة العابرة $T_i(t)$ عند نقطة مراقبة كمجموع مساهمات من جميع المصادر $N$، موازنةً بالمقاومات الحرارية ($R_{ij}$) والثوابت الزمنية ($K_{ij}$). وخلافاً للطريقة التقليدية، يطبق النهج المقترح مدخلات قدرة عابرة أو شبه عشوائية ($P_j(t)$) لجميع المصادر في وقت واحد.
2. تحديد المعلمات: باستخدام المدخلات العابرة المسجلة ودرجات الحرارة الناتجة، يتم تحديد جميع معاملات النموذج ($R_{ij}$ و $K_{ij}$) في آن واحد عبر مُحسّن المربعات الصغرى غير الخطي (SciPy least-squares). وهذا يلغي الحاجة إلى الإثارة المنفصلة والمتحكم بها للمصادر الفردية.
3. استراتيجيات التسريع: لمعالجة التعقيد الحسابي للأنظمة الكبيرة (حيث ينمو عدد المعلمات كـ $2N^2$)، طور المؤلفون استراتيجيتين رئيسيتين:
   • التحويليّة (Vectorization) والتماثل: بالنسبة للأنظمة التي تكون فيها نقاط المراقبة متطابقة مكانياً مع المصادر، تكون مصفوفات المقاومة والثابت الزمني متماثلة تقريباً ($R_{ij} \approx R_{ji}$). يستغل المؤلفون هذا لتقليل المعلمات الفريدة من $N^2$ إلى $N(N+1)/2$ لكل مصفوفة، بالتزامن مع الحسابات المتجهة والترجمة الفورية (JIT) باستخدام Numba.
   • خفض الرتبة (Rank Reduction): للأنظمة ذات مصفوفات الاقتران المستطيلة (على سبيل المثال، وجود نقاط مراقبة أكثر من المصادر، أو ظروف حدودية غير متبادلة مثل الحمل الحراري)، يقرب المؤلفون مصفوفات $R$ و $K$ باستخدام تحليلات الرتب المنخفضة ($R=AB^T$, $K=CD^T$). هذا يقلل مساحة المعلمات بشكل كبير (على سبيل المثال، تقريب الرتبة-2 لنظام مكون من 6 مصادر و8 نقاط مراقبة يقلل المعلمات من 96 إلى 28).
   • التفكيك ثنائي المرحلة: نهج هجين حيث يتم حل النظام المربع (من المصادر إلى المستشعرات المتطابقة مكانياً) أولاً باستخدام التماثل، ثم يتم تقدير بقية الاقترانات مع الأحواض البعيدة في مرحلة ثانية باستخدام معلمات كتلة المصدر الثابتة.

المساهمات الرئيسية

• تحديد المعلمات من مجموعة بيانات واحدة: القدرة على تحديد جميع معلمات LPLSP في وقت واحد من محاكاة عابرة واحدة أو تجربة فيزيائية واحدة، مما يزيل عقبة الدراسات البارامترية المتسلسلة.
• خوارزميات القابلية للتوسع: تطوير استراتيجيات خفض الرتبة والتفكيك ثنائي المرحلة التي تجعل الطريقة قابلة للتطبيق في الأنظمة المعقدة (مثل وحدات العاكس المكونة من 6 MOSFETs) حيث تفشل عملية التقدير المباشرة (brute-force) في التقارب أو تستغرق وقتاً طويلاً للغاية.
• الأتمتة: يسمح سير العمل بتوليد تلقائي للنماذج منخفضة الرتبة (ROMs) والتوائم الرقمية (digital twins) لكل من الأنظمة المحاكات والأنظمة الفيزيائية، حيث لا يتطلب الأمر القدرة على عزل المصادر الحرارية.

النتائج
تم التحقق من صحة الطرق المقترحة مقابل محاكاة CFD لثلاث حالات دراسية: نظام توصيل مكون من جسمين، ونظام حمل حراري طبيعي مكون من ثلاثة أجسام، ووحدة عاكس (inverter) مكونة من 6 MOSFETs تحت ظروف الحمل الطبيعي والقسري.

• الدقة: حققت النماذج الناتجة أخطاءً في التنبؤ بدرجة الحرارة ضمن نطاق 5% من محاكاة CFD الكاملة في جميع حالات الدراسة والخوارزميات.
• الكفاءة الحسابية:
  • وقت تطوير النموذج: قللت أساليب المجموعة المقترحة أوقات تطوير النماذج من $O(10^3)$ ثانية (في حالة التنفيذ البدائي/الساذج) إلى $O(10^1)$–$O(10^2)$ ثانية. بالنسبة لوحدة العاكس ذات الـ 6 مصادر، قلل النهج ثنائي المرحلة وقت التطوير إلى حوالي 8.4 ثانية (باستثناء توليد بيانات CFD الأولية)، مقارنة بأكثر من 700 ثانية للنهج الساذج.
  • وقت التنفيذ: بمجرد بنائها، تقوم النماذج (ROMs) بتقييم ظروف التشغيل العابرة الجديدة في حوالي 0.1–2.5 ثانية، بغض النظر عن طريقة التقدير المستخدمة.
• المقارنة: بينما كان تنفيذ المجموعة "الساذج" (الخوارزمية 1) أسرع من التقدير الفردي التقليدي، إلا أنه لا يزال يتوسع بشكل سيء للأنظمة الأكبر. وفرت طرق خفض الرتبة (الخوارزمية 3) والتفكيك ثنائي المرحلة (الخوارزمية 4) تسريعاً أكبر بكثير، حيث قللت وقت التطوير بمقدار رتبة مقدارية ($O(10^1)$–$O(10^2)$) مقارنة بالنهج الساذج.

الأهمية والادعاءات
يزعم البحث أن هذا العمل يسرع بشكل كبير دورات التصميم المبكرة وتقييمات ملفات المهمة للإدارة الحرارية. ومن خلال تمكين توليد النماذج منخفضة الرتبة من مجموعة بيانات عابرة واحدة، يزيل هذا النهج العوائق العملية المرتبطة بالاختبارات العتادية (حيث يكون عزل المصادر الحرارية غالباً مستحيلاً) ويقلل التكلفة الحسابية لتطوير النماذج.

يذكر المؤلفون أن النماذج الناتجة تتيح التحليل الحراري السريع والتوليد التلقائي للتوائم الرقمية للأنظمة المحاكات والفيزيائية على حد سواء. ويُقدم هذا العمل كخطوة نحو تطبيقات أوسع في صناعات السيارات، والفضاء، والرعاية الصحية. كما يشير المؤلفون بتواضع إلى أن الدراسة الحالية تقتصر على التوصيل، والحمل الطبيعي، والحمل القسري بثبات التدفق؛ ومن المخطط مستقبلاً توسيع الطريقة لتشمل سرعات تدفق متغيرة وأنظمة تتضمن الإشعاع.