用于预测高温超导磁体电流分布的神经网络代理模型
机器学习
2026-03-11 v2
摘要
用于高温超导（HTS）磁体的有限元方法（FEM）在较大规模下变得耗时，限制了米级REBCO螺线管的快速优化。在这项工作中，开发了一种基于全连接残差神经网络（FCRN）的代理模型来预测REBCO螺线管中的电流密度分布。该FCRN模型在由T-A公式的FEM模拟生成的数据集上进行训练，并在快速励磁和稳态场景下进行评估，显示出比全连接网络（FCN）更低的验证损失。当外推超出训练集的几何参数时，该模型在案例1中的磁化损耗相对误差低于10%，在案例2中的中心磁场平均误差为1.2%。此外，将稳态代理模型部署用于快速磁体设计，在约束条件下找到了参数空间内的最优解，与FEM结果相比，中心磁场相对误差为0.2%。凭借快速预测能力，该代理模型为大型HTS磁体的智能设计提供了一种高效工具。
引用
@article{arxiv.2509.06067,
title = {A Surrogate model for High Temperature Superconducting Magnets to Predict Current Distribution with Neural Network},
author = {Mianjun Xiao and Peng Song and Yulong Liu and Cedric Korte and Ziyang Xu and Jiale Gao and Jiaqi Lu and Haoyang Nie and Qiantong Deng and Timing Qu},
journal= {arXiv preprint arXiv:2509.06067},
year = {2026}
}