🤖 machine learning

Comparative Evaluation of Machine Learning and Deep Learning Models for Wound-Rotor Synchronous Motor Performance Prediction

Cette étude présente une évaluation comparative exhaustive de huit modèles d'apprentissage automatique et d'apprentissage profond pour la prédiction des performances des moteurs à rotor synchrone à bobinage, démontrant que les architectures basées sur les réseaux de neurones, particulièrement le FT-Transformer, surpassent de manière significative les modèles basés sur les arbres en termes de précision et de vitesse de calcul, tout en offrant un protocole de reproductibilité multi-graines robuste et une analyse de Pareto des compromis coût-précision.

Auteurs originaux : Kıvanç Doğan, Ahmet Orhan

Publié 2026-06-23✓ Author reviewed ⓘ

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kıvanç Doğan, Ahmet Orhan

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de concevoir le moteur parfait pour une nouvelle voiture électrique. Par le passé, les ingénieurs s'appuyaient sur des métaux rares et coûteux (comme ceux que l'on trouve dans les aimants) pour rendre leurs moteurs puissants. Mais parce que ces métaux sont difficiles à obtenir et peuvent causer des problèmes politiques, les ingénieurs se tournent désormais vers un autre type de moteur appelé moteur synchrone à rotor bobiné (WRSM). Voyez ce nouveau moteur comme un moteur « intelligent » qui n'a pas besoin de ces métaux rares, mais qui est beaucoup plus difficile à concevoir.

Le Problème : Le goulot d'étranglement de la « mathématique lente »

Concevoir ce nouveau moteur, c'est comme essayer de trouver la recette parfaite en goûtant chaque combinaison possible d'ingrédients. Il existe des dizaines de variables (comme la taille des plaques métalliques, le nombre de tours de fil et le courant électrique).

Traditionnellement, les ingénieurs utilisent une simulation informatique incroyablement précise mais extrêmement lente appelée EF (Éléments Finis) pour tester chaque recette.

L'analogie : Imaginez que l'EF est un grand chef qui goûte une soupe, analyse chaque molécule et donne une note parfaite. Le problème, c'est qu'il lui faut des heures pour goûter une seule cuillerée. Si vous devez tester 3 000 recettes, vous attendriez des années.

La Solution : Les « Apprenants Rapides » (Apprentissage Automatique)

Pour accélérer ce processus, les chercheurs de cet article ont tenté d'apprendre aux ordinateurs à « deviner » les résultats des tests du grand chef. Ils ont utilisé des modèles d'Apprentissage Automatique (ML) et d'Apprentissage Profond (DL).

L'analogie : Au lieu d'attendre le grand chef, ils ont formé un groupe d'« apprentis de la dégustation rapide ». Ces apprentis ont lu des milliers de recettes passées et leurs résultats, apprenant les schémas pour pouvoir prédire le goût d'une nouvelle recette en quelques millisecondes.

L'Expérience : Le Grand Duel de Goût

Les chercheurs ont créé un ensemble de données de 3 351 conceptions de moteurs valides (comme un immense livre de cuisine de recettes). Ils ont ensuite opposé 8 différents « apprentis » les uns aux autres pour voir qui pouvait prédire les performances du moteur (le couple de torsion qu'il produit et son efficacité) avec le plus de précision.

Ces 8 apprentis provenaient de quatre familles différentes :

Modèles basés sur les arbres (Les experts en logique) : Cela inclut des modèles comme CatBoost, LightGBM et Random Forest. Ils prennent des décisions en posant une série de questions de type « Oui/Non », comme un organigramme.
Réseaux de neurones (Les experts en reconnaissance de formes) : Cela inclut le MLP, le PI-MLP et le joueur vedette, le FT-Transformer. Ils sont conçus pour imiter le cerveau humain, cherchant des connexions complexes et fluides entre les variables plutôt que de simples étapes oui/non.
Modèles probabilistes (Les joueurs) : Comme la Régression par Processus Gaussien, qui tente de deviner avec un sentiment d'incertitude.

Les Résultats : Qui a gagné ?

Après avoir effectué les tests 10 fois pour s'assurer que les résultats n'étaient pas dus au hasard, voici ce qui s'est passé :

Le Champion : Le FT-Transformer (un modèle d'apprentissage profond) a remporté la médaille d'or. C'est le plus précis, prédisant les performances du moteur avec une précision quasi parfaite (99,28 %).
- Pourquoi il a gagné : L'article suggère que la physique des moteurs est comme une rivière fluide et régulière. Les réseaux de neurones sont excellents pour suivre ce flux fluide. Les modèles « d'Arbres », qui découpent la rivière en étapes droites et dentelées, ont eu du mal à capturer cette nuance.
Le Vice-Champion : Les réseaux de neurones standards (MLP) arrivent en deuxième position, battant toujours les modèles basés sur les arbres.
L'option « Suffisante » : Parmi les modèles basés sur les arbres, CatBoost est le meilleur. Il n'est pas aussi précis que les réseaux de neurones, mais il est beaucoup plus rapide à entraîner.
Le Perdant : GPR s'entraîne très rapidement mais reste moins précis que les réseaux de neurones, tandis que Random Forest a été le moins performant dans l'ensemble.

Le Compromis : Vitesse vs Précision

Les chercheurs ont également examiné le « coût » de l'entraînement de ces modèles :

FT-Transformer : A pris environ 6 minutes (378 secondes) pour l'entraînement, mais une fois entraîné, il prédit les résultats en 0,33 milliseconde. C'est des millions de fois plus rapide que l'ancien « grand chef » (EF).
CatBoost : N'a pris que 37 secondes pour l'entraînement et offre un très bon équilibre entre vitesse et précision.
GPR : S'entraîne extrêmement vite (environ 3 secondes), mais sa précision est inférieure à celle des réseaux de neurones.
L'ancienne méthode (EF) : Prend des minutes ou des heures pour un seul test.

L'Essentiel

Cette étude prouve que pour la conception de ces nouveaux moteurs électriques sans métaux rares, les modèles d'Apprentissage Profond (spécifiquement le FT-Transformer) sont les meilleurs outils disponibles. Ils sont incroyablement précis et peuvent explorer des milliers de possibilités de conception dans le temps qu'il fallait auparavant pour tester une seule option.

Si vous avez besoin du meilleur design absolu, utilisez le FT-Transformer. Si vous avez besoin d'une réponse rapide et « suffisante » pour une planification précoce, CatBoost est une alternative solide et rapide. Dans les deux cas, ils rendent le processus de conception considérablement plus rapide que les méthodes traditionnelles.

Résumé Technique : Évaluation Comparative des Modèles d'Apprentissage Automatique et d'Apprentissage Profond pour la Prédiction des Performances des WRSM

Énoncé du Problème
L'expansion rapide de l'industrie des véhicules électriques (VE) a intensifié la demande pour des moteurs électriques à haute efficacité évitant la dépendance aux terres rares (REE). Les moteurs synchrones à rotor bobiné (WRSM) sont apparus comme une alternative stratégique aux moteurs synchrones à aimants permanents (PMSM) en raison de leur capacité à éliminer la dépendance aux terres rares. Cependant, la conception des WRSM implique un problème d'optimisation non linéaire à haute dimension nécessitant le réglage simultané de nombreux paramètres géométriques et électromagnétiques. La validation de la conception traditionnelle repose sur l'analyse par éléments finis (FEA), qui, bien qu'exacte, est coûteuse en calcul, nécessitant souvent des minutes ou des heures par évaluation. Ce goulot d'étranglement restreint sévèrement l'exploration des vastes espaces de paramètres lors des premières étapes de la conception. Bien que la modélisation par substitut basée sur l'apprentissage automatique ait été proposée pour accélérer ce processus, la littérature existante limite souvent les comparaisons à un ensemble étroit de modèles, exclut les architectures modernes d'apprentissage profond et manque de benchmarks complets spécifiques aux WRSM.

Méthodologie
Cette étude réalise une comparaison systématique de huit modèles d'apprentissage automatique et d'apprentissage profond à travers quatre familles algorithmiques : le boosting de gradient, l'ensemble, les réseaux de neurones et les méthodes probabilistes. L'évaluation se concentre sur la prédiction de deux métriques de performance critiques : le couple et l'efficacité du moteur.

Génération du Jeu de Données : Un jeu de données de 3 351 échantillons valides a été généré en utilisant l'échantillonnage par hypercube latin (LHS) dans l'environnement de simulation Ansys Motor-CAD. Le jeu de données cartographie 23 paramètres d'entrée (15 géométriques et 8 électriques) vers les variables cibles. Les données ont été divisées en ensembles d'entraînement (70 %), de validation (15 %) et de test (15 %).
Modèles Évalués :
- Boosting de Gradient : CatBoost, LightGBM et XGBoost.
- Ensemble : Random Forest.
- Réseaux de Neurones : Perceptron Multicouche (MLP), MLP informé par la physique (PI-MLP, qui intègre les contraintes électromagnétiques dans la fonction de perte), et FT-Transformer (une architecture transformer conçue pour les données tabulaires utilisant l'auto-attention).
- Probabiliste : Régression par processus Gaussien (GPR), entraînée sur un sous-ensemble de 400 échantillons en raison de la complexité de calcul.
Protocole d'Entraînement : Pour garantir la robustesse et la reproductibilité, chaque modèle a été entraîné en utilisant 10 valeurs de graines aléatoires (seeds) différentes. Les hyperparamètres ont été systématiquement optimisés à l'aide du framework Optuna. Tous les modèles ont été évalués à l'aide de $R^2$ , de l'erreur absolue moyenne (MAE), de l'erreur quadratique moyenne (RMSE) et de l'erreur de pourcentage absolue moyenne (MAPE).

Principales Contributions
L'étude se distingue des travaux antérieurs par trois contributions principales :

Large Spectre de Modèles : Elle inclut une gamme complète d'algorithmes, intégrant notamment des architectures récentes d'apprentissage profond pour les données tabulaires, spécifiquement le FT-Transformer, qui n'avait pas été testé auparavant pour la modélisation par substitut de WRSM.
Reproductibilité Rigoureuse : L'utilisation d'un protocole multi-graines (10 graines) et l'optimisation systématique des hyperparamètres fournissent une évaluation statistiquement robuste de la performance des modèles, allant au-delà des évaluations à passage unique.
Analyse Multidimensionnelle : L'étude emploie une analyse de Pareto pour évaluer le compromis entre le coût computationnel (temps d'entraînement) et la précision de la prédiction, offrant des conseils pratiques pour les différentes étapes du processus de conception.

Résultats
Les résultats expérimentaux démontrent une hiérarchie claire des performances :

Précision : Les modèles basés sur les réseaux de neurones ont systématiquement surpassé les modèles basés sur les arbres. Le FT-Transformer a atteint la précision la plus élevée pour un modèle unique, avec un $R^2$ global de 0,9928 ± 0,0009. Plus précisément, il a obtenu un $R^2$ de 0,9914 pour la prédiction du couple (MAE = 1,227 Nm) et de 0,9942 pour la prédiction de l'efficacité (MAE = 0,728 %).
Comparaison : Les modèles basés sur les arbres (CatBoost, LightGBM, XGBoost, Random Forest) ont produit une précision moindre, avec des valeurs de $R^2$ allant de 0,80 à 0,95. Parmi eux, CatBoost a été le plus performant, tandis que Random Forest a présenté l'erreur la plus élevée.
Approche Informée par la Physique : L'inclusion de contraintes physiques dans le PI-MLP n'a pas apporté d'amélioration de performance par rapport au MLP standard ; en fait, le MLP standard a légèrement surpassé le PI-MLP dans les deux métriques.
Compromis de Calcul :
- FT-Transformer : A nécessité le temps d'entraînement le plus long (378 secondes) mais a délivré la précision la plus élevée.
- CatBoost : S'est imposé comme une solution Pareto-optimale, atteignant un $R^2$ de 0,9592 en environ 37 secondes, offrant un équilibre favorable entre vitesse et précision.
- Vitesse d'Inférence : Une fois entraîné, le modèle FT-Transformer génère des prédictions en 0,33 milliseconde, représentant une accélération de plusieurs ordres de grandeur par rapport au temps de calcul de plusieurs minutes de la FEA.

Signification et Revendications
Les auteurs affirment que cette étude représente le premier benchmark complet dans le domaine de la modélisation par substitut de WRSM intégrant des architectures récentes d'apprentissage profond comme le FT-Transformer. Les résultats suggèrent que les capacités d'approximation de fonctions continues des réseaux de neurones sont mieux adaptées pour capturer les transitions électromagnétiques lisses et non linéaires des WRSM que les frontières de décision linéaires par morceaux des modèles basés sur les arbres.

L'étude conclut que si le FT-Transformer est le choix supérieur pour les applications exigeant une précision maximale, CatBoost sert d'alternative efficace pour les étapes de prototypage rapide et de pré-sélection où le coût de calcul est une contrainte primaire. Les modèles de substitution développés réduisent considérablement le temps d'évaluation, permettant une exploration rapide des vastes espaces de paramètres lors des phases initiales de conception des moteurs électriques. Des travaux futurs sont proposés pour évaluer la généralisabilité de ces modèles à différentes configurations de WRSM et pour explorer l'intégration de la modélisation informée par la physique avec des jeux de données plus larges.