Multi-Material Topology Optimization with Continuous Magnetization Direction for Permanent Magnet Synchronous Reluctance Motors

1. Problema e Contexto

O artigo aborda o projeto de Motores Síncronos de Relutância com Assistência de Ímã Permanente (PMSynRM). Embora os motores de relutância síncrona (SynRM) sejam baratos, eles sofrem de baixo fator de potência. A adição de ímãs permanentes melhora significativamente o torque médio, mas introduz um desafio de projeto complexo: a otimização topológica multi-material.

O problema central consiste em distribuir de forma ótima três materiais dentro do rotor:

1. Material ferromagnético (ferro).
2. Ar.
3. Ímãs permanentes.

Além da distribuição espacial dos materiais, o desafio é determinar a direção de magnetização dos ímãs. A maioria dos métodos existentes fixa a direção de magnetização em um conjunto discreto de ângulos ou assume uma direção constante, o que limita a exploração do espaço de design e pode levar a soluções subótimas. O objetivo deste trabalho é permitir uma direção de magnetização contínua durante o processo de otimização, sem depender de parametrizações geométricas complexas ou viés do usuário.

2. Metodologia

Os autores propõem um esquema de otimização baseado em densidade com as seguintes inovações metodológicas:

• Otimização Multi-Material Contínua:

  • Introduz-se três variáveis de densidade: $\rho_\nu$ (para o material ferromagnético), $\rho_{Mx}$ e $\rho_{My}$ (para as componentes da magnetização).
  • Interpolação de Materiais: É proposta uma nova função de interpolação inspirada na derivada topológica para lidar com a não-linearidade do material ferromagnético e a interpolação entre ar e ímã. Isso supera as limitações de simetria de esquemas polinomiais clássicos (como SIMP).
  • Transformação Vetorial de Magnetização: Para evitar problemas de ambiguidade angular e dependência do ângulo na magnitude máxima da magnetização, os autores mapeiam as variáveis de densidade cartesianas ($\rho_{Mx}, \rho_{My}$) para um disco unitário utilizando uma transformação de malha elíptica ("square-to-disk"). Isso permite que a direção da magnetização varie continuamente no espaço.

• Aceleração Computacional:

  • Método de Nitsche (Mortaring): Aplicado para permitir a rotação livre da malha do rotor em relação à do estator, evitando a necessidade de remalhagem constante ou técnicas de "Moving Band" menos precisas.
  • Cálculo de Torque Aproximado: O torque médio é estimado utilizando apenas quatro posições estáticas do rotor ($0, \pi/12, \pi/6, \pi/4$). A validação mostrou que, para designs otimizados, o erro em relação a uma avaliação com 500 pontos é inferior a 0,1%, reduzindo drasticamente o tempo de cálculo.

• Formulação Matemática:

  • O problema é formulado como um problema de otimização com restrições de volume para ferro e ímãs.
  • Utiliza-se o Método Adjoint para calcular os gradientes de forma eficiente.
  • Restrições de volume são tratadas através do quadro de Lagrangeano Aumentado.

• Pós-Processamento (Viabilidade de Fabricação):

  • Como a otimização gera direções de magnetização contínuas (que são difíceis de fabricar), aplica-se um algoritmo de agrupamento K-means no design final.
  • Este passo agrupa elementos com direções de magnetização semelhantes em um número finito de clusters (ex: $k=5$), garantindo que o design final seja tecnicamente viável para a fabricação de ímãs.

3. Resultados Principais

O estudo foi aplicado a um motor com 24 ranhuras e um par de polos, utilizando o framework NGSolve.

• Validação do Método de 4 Pontos: A comparação entre o cálculo de torque com 4 pontos e 500 pontos mostrou erros insignificantes (<0,1%) para designs finais, confirmando a eficiência do método de aceleração.
• Otimização Ferro-Ar: Os resultados para a otimização apenas de ferro e ar (sem ímãs) foram consistentes com a literatura e validados por simulações JMAG, alcançando um torque de ~1.11 N.m com 40% de volume de ferro.
• Otimização Multi-Material (Ferro-Ar-Ímã):
  • A introdução de ímãs aumentou significativamente o torque. Para um volume de ímã de 30%, o torque médio atingiu 1.90 N.m.
  • O design otimizado distribuiu os ímãs nas barreiras de ar do rotor, alinhando-se com princípios físicos esperados.
  • Efeito do Pós-Processamento: Após a aplicação do agrupamento K-means ($k=5$), houve uma pequena redução no torque (ex: de 1.90 N.m para 1.86 N.m para 30% de ímã), mas o design tornou-se fabricável.
• Robustez: O método foi testado com diferentes ângulos de fase e condições iniciais, demonstrando capacidade de escapar de mínimos locais e encontrar estruturas de rotor complexas e eficientes.

4. Contribuições Chave

1. Direção de Magnetização Contínua: A proposta de otimizar a direção da magnetização como uma variável contínua, em vez de escolher entre ângulos discretos pré-definidos, permitindo designs mais eficientes.
2. Novo Esquema de Interpolação: Desenvolvimento de uma função de interpolação baseada na derivada topológica para lidar com materiais não-lineares e magnetização em otimização topológica.
3. Mapeamento Vetorial: Uso de uma transformação de coordenadas para garantir que a magnitude da magnetização seja independente da direção no espaço de design.
4. Eficiência Computacional: Combinação bem-sucedida do método de Nitsche para rotação e da aproximação de 4 pontos para o torque, tornando a otimização multi-material viável em termos de tempo de computação.
5. Pós-Processamento Viável: Integração de uma heurística K-means para converter designs contínuos teóricos em designs discretos fabricáveis.

5. Significado e Conclusão

Este trabalho representa um avanço significativo no projeto de máquinas elétricas através de otimização topológica. Ao permitir a variação contínua da magnetização e tratar a não-linearidade dos materiais de forma rigorosa, o método descobre configurações de rotor que superam os designs tradicionais baseados em intuição ou parametrização geométrica limitada.

A capacidade de gerar designs de alto desempenho (alto torque) enquanto mantém a viabilidade de fabricação através do pós-processamento K-means torna esta abordagem altamente relevante para a indústria de motores elétricos. Além disso, a redução drástica do tempo de cálculo torna possível a exploração de espaços de design mais complexos e a otimização multi-objetivo no futuro.