A Surrogate model for High Temperature Superconducting Magnets to Predict Current Distribution with Neural Network

Dit artikel introduceert een op een volledig verbonden residual-neuraalnetwerk gebaseerd surrogate-model dat, getraind op FEM-simulaties, de stroomdichtheidsverdeling in REBCO-solenoiden snel en nauwkeurig voorspelt, waardoor de intelligente ontwerpoptimatie van grote hoogtemperatuur-supraconductieve magneten mogelijk wordt gemaakt.

De kern

🧲 De "Snelheidsversneller" voor Superkrachtige Magneten

Stel je voor dat je een enorme, superkrachtige magneet wilt bouwen. Denk aan de magneten die nodig zijn voor fusiecentrales (zoals een kunstmatige zon) of voor supersterke MRI-scanners. Deze magneten zijn gemaakt van een speciaal materiaal genaamd REBCO (een soort supergeleider).

Het probleem? Om te weten of deze magneet goed werkt, moeten ingenieurs heel precies weten hoe de elektrische stroom door het materiaal stroomt. Als de stroom niet gelijkmatig verdeeld is, kan de magneet oververhit raken of minder krachtig zijn dan verwacht.

🐢 De Oude Methode: De Slak

Vroeger gebruikten ingenieurs een computerprogramma genaamd FEM (Finite Element Method) om dit te berekenen.

• Hoe het werkt: Het programma deelt de magneet op in miljoenen kleine blokjes en rekent voor elk blokje uit wat er gebeurt.
• Het nadeel: Het is net als het proberen te voorspellen van het weer door elke druppel water in een wolk afzonderlijk te meten. Het kost uren, soms zelfs dagen om één situatie te berekenen. Als je een magneet wilt ontwerpen, moet je dit duizenden keren doen om de beste versie te vinden. Dat is te langzaam en te duur.

🚀 De Nieuwe Methode: De AI-Surrogaat

In dit artikel presenteren onderzoekers van de Tsinghua Universiteit een slimme oplossing: een Surrogaatmodel op basis van een Neuraal Netwerk (een vorm van kunstmatige intelligentie).

Je kunt dit vergelijken met een veteraan-kok die een recept uit zijn hoofd kent, versus een kok die elke keer opnieuw de ingrediënten moet afwegen en de kooktijd moet berekenen.

• De training: De onderzoekers hebben eerst de "slak" (het FEM-programma) laten werken om een grote verzameling voorbeelden te maken. Ze hebben de AI duizenden keren laten kijken naar hoe de stroom zich gedraagt in verschillende situaties.
• Het resultaat: De AI heeft de patronen geleerd. Nu hoeft hij niet meer alles opnieuw uit te rekenen. Hij kan in een flits (minder dan een seconde) voorspellen hoe de stroom zich gedraagt, terwijl de oude computer uren nodig had.

🎯 Wat hebben ze ontdekt?

De onderzoekers hebben hun AI getraind op twee soorten situaties:

1. Het "Snelheidsracen" (Case 1):

   • Situatie: De magneet wordt heel snel opgestart (stroom loopt van 0 naar 50 Ampère in 1 seconde).
   • Resultaat: De AI is hier uitstekend in. Zelfs als ze de magneet iets groter maakten dan de voorbeelden in de training (bijvoorbeeld 50% groter), gaf de AI nog steeds een zeer nauwkeurige voorspelling. Het is alsof je een auto hebt getest op een circuit van 10 km, en de AI kan je nu vertellen hoe hij zich gedraagt op een circuit van 15 km, zonder dat hij er ooit op heeft gereden.

2. Het "Stabiele Standje" (Case 2):

   • Situatie: De magneet draait op volle kracht en blijft stabiel.
   • Resultaat: Hier is het iets lastiger. De AI werkt goed als je de grootte van de magneet verandert (meer windingen, grotere diameter). Maar als je de stroomsterkte extreem verhoogt (beyond wat hij heeft gezien), wordt hij wat minder zeker.
   • Waarom? Bij extreem hoge stroom wordt het gedrag van het materiaal heel complex en niet-lineair (net als hoe water plotseling turbulent wordt als het te hard stroomt). De AI had niet genoeg voorbeelden van dit "extreme gedrag" om het perfect te voorspellen. Toch was de foutkleine (minder dan 10%), wat nog steeds heel goed is.

🏆 De Grote Overwinning: Het Ontwerpen van een Magneet

Het echte bewijs van de kracht van deze AI kwam toen ze hem gebruikten om een nieuwe, optimale magneet te ontwerpen.

• Het doel: Een magneet bouwen die minimaal materiaal gebruikt, maar toch een kracht van 16 Tesla haalt (dat is enorm sterk!).
• De oude manier: Je zou duizenden ontwerpen moeten simuleren met de trage computer. Dit zou weken duren.
• De nieuwe manier: De AI scanneerde alle mogelijke ontwerpen in 3 minuten. Hij vond direct de perfecte combinatie van grootte, aantal windingen en stroom.
• De check: Toen ze dit "perfecte" ontwerp narekenen met de trage, oude computer, bleek de AI bijna 100% gelijk te hebben. De voorspelling was binnen 0,2% fout.

💡 Conclusie in één zin

Dit onderzoek laat zien dat we met een slimme AI (een "surrogaatmodel") de tijd nodig om superkrachtige magneten te ontwerpen, kunnen verkorten van weken naar minuten, waardoor we sneller kunnen innoveren in technologieën zoals schone energie en medische beeldvorming.

Het is alsof we een kaart hebben gevonden die ons direct de snelste weg naar de schat laat zien, in plaats van dat we elke weg zelf moeten uitproberen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "A Surrogate Model for High Temperature Superconducting Magnets to Predict Current Distribution with Neural Networks", geschreven in het Nederlands.

Titel: Een Surrogaatmodel voor Hoogtemperatuur Supergeleidende Magneten om Stroomverdeling te Voorspellen met Neuronale Netwerken

1. Het Probleem

Hoogtemperatuur supergeleidende (HTS) magneten, specifiek die gemaakt van REBCO (zeldzame aard barium koper oxide) gecoate geleiders, zijn cruciaal voor toepassingen zoals fusie-tokamaks en ultra-hoge veld solenoïden. Een fundamentele uitdaging bij het ontwerp van deze magneten is het screening current-effect. Onder invloed van transportstroom of externe magnetische velden ontstaat er een niet-uniforme stroomverdeling binnen de tapes, wat leidt tot:

• Een verlaagd centraal magnetisch veld ten opzichte van de ideale uniforme stroomveronderstelling.
• Spanningsconcentraties aan de uiteinden van de tapes.
• Magnetisatieverliezen.

De traditionele methode om deze stroomverdelingen nauwkeurig te berekenen is de Finite Element Method (FEM), vaak met de $T-A$ formulering. Voor meter-schaal HTS-magneten is deze berekening echter extreem tijdrovend (tientallen tot honderden uren per toestand), vooral wanneer er koppelingen zijn met andere fysieke velden (thermisch, mechanisch). Dit computatietijd-beperking maakt snelle optimalisatie en intelligent ontwerp van grote magneten onhaalbaar.

2. Methodologie

De auteurs ontwikkelen een surrogaatmodel gebaseerd op een volledig verbonden residu-neuraal netwerk (FCRN - Fully Connected Residual Network) om de ruimtelijke stroomdichtheidsverdeling ($J_\phi$) direct te voorspellen op basis van geometrische en operationele parameters.

• Dataset Generatie:

  • De trainingsdata wordt gegenereerd via FEM-simulaties (gebruikmakend van de $T-A$ formulering en een kwart-model voor symmetrie).
  • Er zijn twee scenario's onderzocht:
    1. Case 1 (Snelle opstroom): Dynamisch proces waarbij de stroomdichtheid evolueert tijdens het opstroomen. De kritieke stroomdichtheid ($J_c$) wordt als constant verondersteld.
    2. Case 2 (Steady-state): Stabiele werking waarbij de $J_c$ afhankelijk is van het magnetische veld ($J_c(B)$).
  • De datasets omvatten variaties in het aantal windingen ($N$), het aantal "pancakes" ($N_p$), de binnendiameter ($RID$) en de bedrijfsstroom ($I_{op}$).

• Netwerk Architectuur:

  • Er wordt gekozen voor een FCRN in plaats van een standaard Fully Connected Network (FCN). Residu-blokken met "skip connections" worden gebruikt om het probleem van verdwijnende gradiënten (vanishing gradients) bij diepe netwerken op te lossen.
  • De activatiefunctie is SiLU (Sigmoid Linear Unit).
  • De input omvat ruimtelijke coördinaten ($r, z$), tijd ($t$), en parameters zoals $N, N_p, RID, I_{op}$, en een index voor de pancake ($p$) om lokale veldverschillen te leren.
  • De output is de genormaliseerde stroomdichtheid.

• Trainingsstrategie:

  • Het model wordt getraind met de Adam-optimizer en Mean Squared Error (MSE) als verliesfunctie.
  • Het model wordt alleen opgeslagen wanneer zowel de trainings- als de interpolatie-validatieverliezen dalen, om overfitting te voorkomen en generalisatie te waarborgen.

3. Belangrijkste Bijdragen

1. Ontwikkeling van een FCRN-architectuur: Het aantonen dat residu-netwerken superieur zijn aan traditionele FCN's voor deze specifieke toepassing, vooral bij diepere netwerken waar FCN's falen door convergentieproblemen.
2. Voorspelling van Stroomdichtheid: In plaats van alleen het magnetische veld of verliezen te voorspellen, leert het model de fundamentele stroomdichtheidsverdeling. Dit maakt het mogelijk om een breed scala aan magnetische eigenschappen (veld, verliezen, krachten) af te leiden.
3. Extrapolatievermogen: Het onderzoek test systematisch de prestaties van het model buiten het trainingsdomein (extrapolatie), wat essentieel is voor het ontwerpen van grotere magneten dan die in de dataset voorkomen.
4. Toepassing in Optimalisatie: Demonstratie van het model in een snelle ontwerpcyclus om een optimale HTS-solenoïde te vinden binnen een groot parameterbereik.

4. Resultaten

• Prestatie Vergelijking: De FCRN presteert consequent beter dan de FCN, met lagere trainings- en validatieverliezen. Bij Case 1 (snelle opstroom) convergeert de FCRN zelfs bij diepe netwerken ($L=24$), terwijl de FCN faalt.
• Interpolatie en Extrapolatie (Case 1):
  • Binnen het trainingsdomein en bij beperkte extrapolatie (tot 50% buiten het bereik, bijv. $N=150$), bereikt het model een relatieve fout van minder dan 10% voor hysterese-verliezen.
  • Bij extreme extrapolatie (150% buiten het bereik) neemt de fout toe (>35%), wat de grenzen van het model aangeeft.
• Extrapolatie (Case 2):
  • Voor geometrische variaties (aantal windingen/pancakes) blijft het model robuust met een gemiddelde fout van 1,2% voor het centrale magnetische veld.
  • Bij extrapolatie van de bedrijfsstroom ($I_{op}$) boven het trainingsbereik neemt de fout toe (tot 9,0%), vooral bij pancakes met volledige stroompenetratie waar de trainingdata ontbreekt.
• Berekeningstijd:
  • De surrogaatmodel-inferentie duurt milliseconden (bijv. 0,176s voor een grote configuratie), vergeleken met uren (bijv. 2u44m) voor FEM. Dit is een versnelling van meerdere ordes van grootte.
• Ontwerpoptimalisatie:
  • Het model werd gebruikt om een optimaal ontwerp te vinden (minimale tape-verbruik, $B_0 > 16$ T, homogeniteit < 1%).
  • Het gevonden optimale ontwerp ($N=360, N_p=9, R=10$ mm, $I_{op}=222$ A) lag buiten het trainingsdomein (extrapolatie), maar de voorspelling van het veld (16,02 T) kwam zeer nauwkeurig overeen met de FEM-resultaten (16,04 T, fout 0,2%).

5. Betekenis en Conclusie

Dit werk toont aan dat surrogaatmodellen op basis van diepe neurale netwerken een krachtig hulpmiddel zijn voor het intelligente ontwerp van grote HTS-magneten. Door de rekenlast van FEM-simulaties te omzeilen, kunnen ingenieurs snelle parameterstudies uitvoeren en optimalisaties doorvoeren die eerder onmogelijk waren vanwege de tijdsinvestering.

Hoewel het model beperkingen heeft bij het extrapoleren van niet-lineaire dynamica bij volledige stroompenetratie (vooral bij hoge stromen), biedt het een uitstekende balans tussen nauwkeurigheid, generalisatievermogen voor geometrische schaalveranderingen en rekenefficiëntie. Toekomstig werk richt zich op het verbeteren van de dataset en het integreren van fysieke constraints in de verliesfunctie om de extrapolatiecapaciteit verder te vergroten.