在有限元模拟中，将滞后效应和涡流纳入层压电机的计算是一项具有挑战性的任务。每个积分点及每次非线性迭代中都需解析层压体内的场，这使得计算成本比无滞后模拟高出几个数量级，导致此类方法在设计应用中变得不切实际。随着电机拓扑和操作条件变得愈加复杂，仅考虑磁饱和的简化模型已变得越来越不足。在这种情况下，机器学习的替代建模方法逐渐显现出其潜力，能够高效且准确地近似复杂的电磁行为。本文训练了一个递归神经网络，作为各向同性层压材料模型的替代，并将其集成到基于磁矢量势公式的二维磁动力学有限元模拟中。该方法与参考层压核心模型的结果高度一致，同时将计算成本限制在约为无滞后模拟的两倍。通过在多样化的人工生成磁场序列上训练递归神经网络，这些序列旨在模拟电机仿真中遇到的情况，所提方法可以广泛应用于各种有限元模拟。此外，训练后的替代模型作为独立组件提供，便于轻松集成到现有的计算框架中，且已公开可用，链接为 lamnet。
博主点评： 本文展示了递归神经网络在电机有限元模拟中的潜力，通过有效处理复杂的电磁现象，显著降低了计算成本。这一研究为电机设计提供了新的思路，尤其是在面对高复杂度电机时，机器学习的应用前景广阔。值得关注的是，所提出的方法在实际应用中可实现高效集成，促进了电机设计的进一步发展。