RÉSUMÉ La Méthode des Éléments Finis (FEM) est un outil puissant pour simuler des dispositifs magnétiques non linéaires, mais son coût computationnel élevé devient une limitation significative lorsque plusieurs simulations sont nécessaires, comme dans l'optimisation de conception ou le contrôle en temps réel. Pour relever ce défi, cet article propose un cadre de modélisation de substitution non intrusif conçu pour réduire considérablement le temps de calcul avec une perte de précision minimale. L'approche est basée sur une paramétrisation de faible dimension de l'espace de solution en utilisant la Décomposition Orthogonale Propre (POD), combinée à une interpolation basée sur l'apprentissage machine dans l'espace réduit. L'approche est validée par la création d'un modèle de substitution d'un inducteur non linéaire près d'une pièce en fer, en reconstruisant la distribution du champ en fonction du courant, de la fréquence et de la position relative entre les deux. Deux techniques de modélisation de substitution, la Régression par Processus Gaussien (GPR) et les Réseaux de Neurones Feedforward (FNN), sont examinées et comparées, en prêtant une attention particulière à leur performance dans des conditions de données rares, courantes dans les flux de travail d'ingénierie en raison du coût élevé de génération des données d'entraînement. Les résultats numériques démontrent que le GPR fournit des approximations plus précises que le FNN, en particulier lorsque peu de simulations FEM sont disponibles. Les résultats mettent en évidence le potentiel de POD et de GPR comme outils efficaces et fiables pour accélérer la simulation et l'optimisation des dispositifs magnétiques.
Zorzetto et al. (Jeu,) ont étudié cette question.