Discovering Explicit Magnetic Core Loss Equations via Learnable Symbolic Sparse Identification

Technische Samenvatting: Ontdekken van Expliciete Vergelijkingen voor Magnetische Kernverliezen via Leerbare Symbolische Sparse Identificatie

Probleemstelling
De voortdurende drang naar hogere vermogensdichtheden in vermogenselektronica heeft de werkfrequenties van magnetische componenten naar het megahertz-domein gestuwd, waardoor magnetische kernverliezen een dominante factor zijn geworden voor efficiëntie en thermische limieten. Het nauwkeurig modelleren van volumetrische kernverliezen ($P_v$) over brede spectra van frequentie ($f$) en fluxdichtheid ($B$) blijft een fundamentele uitdaging vanwege sterk nietlineaire fysische mechanismen. Traditionele empirische benaderingen, zoals de Steinmetz-vergelijking (SE) en varianten daarop, bieden eenvoud maar lijden onder aanzienlijke voorspellingsfouten door hun vaste structuren en het onvermogen om fractionale machtswetten te vatten. Daartegenover staan moderne machine learning-methoden (bijv. Random Forests, Neurale Netwerken) die een hoge precisie bereiken, maar functioneren als "wiskundige black boxes", waarbij ze een gebrek hebben aan fysische interpreteerbaarheid en de analytische inzichten die nodig zijn voor efficiënt magnetisch ontwerp. Er is een kritieke behoefte aan een methode die deze kloof overbrugt door expliciete, fysisch interpreteerbare vergelijkingen te bieden met de nauwkeurigheid van datagestuurde modellen.

Methodologie: Learnable Symbolic Sparse Identification (LSSI)
Het artikel stelt het Learnable Symbolic Sparse Identification (LSSI)-raamwerk voor, dat het modelleren van magnetische kernverliezen herformuleert als een symbolisch regressieprobleem afgeleid direct van experimentele data. De methodologie bestaat uit drie kerncomponenten:

1. Fysisch Geïnspireerde Kandidaatbibliotheek:
   In plaats van te vertrouwen op een vaste woordenlijst van gehele exponenten, construeert LSSI een bibliotheek van $M=10$ kandidaatfuncties gebaseerd op elektromagnetische fysica. Deze omvatten:

   • Hysteresisverlies: Gemodelleerd met een dynamisch aangepaste exponent om rekening te houden met nietlineaire structurele verschuivingen nabij verzadiging.
   • Wervelstroom- en Anomale Verliezen: Afgeleid van Maxwell-vergelijkingen en domeinwanddynamica, die doorgaans fractionale exponenten vertonen.
   • Verzadigingstermen: Onbeperkte machtswet- en exponentiële termen om hoog nietlineaire regimes in kaart te brengen.
   • Auxiliaire Termen: Polynomiale koppelingstermen en bias-termen om meetoffsets en thermische drift te isoleren.

2. Leerbare Parameters:
   Een cruciale innovatie van LSSI is het behandelen van de interne parameters van de kandidaatfuncties (specifiek de exponenten $\alpha$ en $\beta$ in termen als $f^\alpha B^\beta$) als leerbare parameters ($\Lambda$) in plaats van vaste constanten.

   • Geometrische Interpretatie: Terwijl conventionele sparse identificatie kandidaten vastlegt aan een discrete gehele rooster in de $(\alpha, \beta)$-ruimte, waardoor fractionale fysische wetten gedwongen worden tot benadering door superposities van gehele termen, laat LSSI deze exponenten vrij om continu te migreren binnen een toegestaan domein. Dit stelt een enkele actieve term in staat om de ware fractionale exponent (bijv. $\alpha=1,20, \beta=2,68$) exact te matchen, in plaats van dat meerdere termen nodig zijn om het te benaderen.

3. Gezamenlijke Optimalisatie en Sparsity:
   Het raamwerk maakt gebruik van een hybride Log-Mean Absolute Percentage Error (Log-MAPE) verliesfunctie om uniforme procentuele nauwkeurigheid te garanderen over het brede dynamische bereik van kernverliezen.

   • Optimalisatie: De sparse schaalcoëfficiënten ($\Xi$) en de leerbare parameters ($\Lambda$) worden gezamenlijk geoptimaliseerd met behulp van het AdamW-algoritme.
   • Sparsity Enforcement: Een ontkoppelde weight decay wordt exclusief toegepast op de coëfficiënten $\Xi$ om sparsity te bevorderen (het naar nul drijven van de meeste coëfficiënten), terwijl een threshold pruning-mechanisme oninformatieve termen verwijdert. Dit zorgt ervoor dat het uiteindelijke model compact en fysisch interpreteerbaar is.

Belangrijkste Bijdragen

1. Herformulering van Kernverliesmodellering: Het artikel herformuleert de modellering van magnetische kernverliezen als een ML-gebaseerd functie-identificatieprobleem dat de analytische geest van de klassieke Steinmetz-vergelijking behoudt.
2. Sparse Identificatie Raamwerk: Het introduceert een raamwerk dat dominante kandidaatfuncties automatisch ontdekt, waarbij zowel sparsity als fysische interpreteerbaarheid wordt bereikt.
3. Leerbare Parameters voor Fractionale Wetten: Door leerbare parameters in de kandidaatfuncties te introduceren, stemt de methode zich af op de onderliggende fysica van fractionale machtswetten, wat de nauwkeurigheid aanzienlijk verbetert zonder de eenvoud op te offeren.

Experimentele Resultaten
Het LSSI-raamwerk werd gevalideerd met hoogwaardige kernverliesdatasets van Fair-Rite 95 ferrietkernen, verzameld via automatische parallel-resonantiemethoden. De dataset bevatte meer dan 1.000 datapunten over diverse frequenties en fluxdensiteiten bij 25°C.

• Nauwkeurigheid: LSSI bereikte een state-of-the-art $R^2$ van 0,9999 en een Mean Absolute Percentage Error (MAPE) van 1,04% op de testset.
• Compactheid: Het ontdekte model condenseerde de onderliggende fysica in een expliciete vergelijking met slechts 4 actieve termen.
• Parameter Efficiëntie: De methode maakte slechts 15 parameters gebruik, een drastische reductie vergeleken met Neurale Netwerk-methoden (4.417 parameters) en Random Forests (199.555 parameters). Zoals gedetailleerd in Tabel 2, bestaan deze 15 parameters uit een mix van schaalcoëfficiënten (bijv. $\xi^*_1, \xi^*_2$), fractionale exponenten (bijv. $\alpha^*_h, \beta^*_h$) en hulpische fysische parameters (bijv. cutoff frequenties $f^*_{c1}, f^*_{c2}$ en roll-off exponenten $p^*_{c1}, p^*_{c2}$).
• Vergelijking: LSSI presteerde beter dan de traditionele Steinmetz-vergelijking, Random Forest, Feedforward Neurale Netwerken en een standaard Sparse Identification (SSI) raamwerk (dat geen leerbare parameters heeft) op zowel nauwkeurigheid als modelcompactheid.

Betekenis en Claims
Het artikel claimt dat LSSI een fysisch transparante en hoogst nauwkeurige oplossing biedt die geschikt is voor complexe moderne magnetische karakterisering en ontwerp. Door het succesvol balanceren van de expressiviteit van machine learning met de interpreteerbaarheid van fysische wetten, biedt LSSI een ontwerpvriendelijk alternatief voor black-box modellen. De auteurs benadrukken dat het vermogen van het raamwerk om expliciete vergelijkingen met fractionale exponenten direct uit data te ontdekken, zorgt voor superieure nauwkeurigheid terwijl de snelheid en intuïtie vereist voor praktische engineering-toepassingen behouden blijven. Het werk suggereert dat toekomstige uitbreidingen temperatuurafhankelijke en niet-sinusvormige excitiecondities kunnen adresseren.