Surrogate-Based Modeling of Induction Machines to Reduce the Computational Burden of Robust Multi-Objective Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
One of the main obstacles to robust design optimization of Induction Machines (IM) is the high computational burden, which is mainly due to time-intensive nonlinear finite element (FE) simulations. The large multivariable design space of electric machine optimization typically requires running thousands of simulations taking many hours, if not days which is quite prohibitive. To overcome this bottleneck, hybridization of FE-based optimization with approximate models can lead to expedite the process. This paper is focused on accelerating the typical FE-based optimization scenarios by implementing and systematically studying an ensemble of surrogate models of IMs in terms of computational burden and performance. In this regard, after adopting the most significant surrogate model, a multi-points sequential sampling process with a two-step surrogate-based optimization approach is developed. Compared with direct FE-based robust optimization, competitive results are achieved by adopting the proposed hybrid surrogate-based approach and the overall runtime is reduced by 69%. Furthermore, as a case study, an optimization problem for an 11-kW IM is considered by applying the typical FE-based optimization task followed by the proposed hybrid technique. Hence, the achievable speed improvements, as well as further possible enhancing means are discussed. The detailed comparison of the presented surrogate models makes a comprehensive source for engineers and designers to follow.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle