Improving the Swelling Phenomenon in the Dynamic Jiles-Atherton Hysteresis Model Using Magnetic Viscosity
Notice bibliographique
Résumé
Iron losses are a major source of inefficiency in electrical devices, such as transformers and rotating machines.Accurately estimating iron losses is essential for optimizing the performance, energy efficiency, and cost-effectiveness of these devices.The swelling phenomenon is a significant factor that affects the accuracy of iron loss estimation.This phenomenon appears in the saturation region of the hysteresis loop under high-frequency regimes and can significantly affect the magnetic properties of the device.This paper presents a novel methodology for addressing the swelling phenomenon and improving the accuracy of iron loss estimation.The methodology is based on the Jiles-Atherton model, which is a well-established model for describing the hysteresis phenomenon in ferromagnetic materials.The methodology is improved by incorporating a novel formulation of the excess field based on magnetic viscosity.The Bertotti approach is used to account for the dynamic effects of the swelling phenomenon.The fmincon algorithm is used to identify the parameters of the Jiles-Atherton model in both quasi-static and dynamic regimes.This algorithm is a MATLAB®-based constrained optimization method that is used to find the set of parameters that minimizes the error between the simulated and measured hysteresis loops.The obtained results show that the proposed methodology is able to accurately estimate iron losses under both quasi-static and dynamic regimes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».