| Resumen | Las Physics-Informed Neural Networks (PINNs) poseen un enfoque que integra las leyes de la física en su propia arquitectura y las utiliza como guía adicional durante el proceso de entrenamiento. La ventaja más significativa que presentan estas redes neuronales se relaciona con el hecho de que no resulta necesario disponer de un conjunto amplio de datos de entrada para su entrenamiento, puesto que el proceso de aprendizaje se basa en la resolución de la ecuación que describe el fenómeno físico en tratamiento.
Este tipo de redes neuronales multitarea ha demostrado ser efectiva y versátil en diversas disciplinas, y este Trabajo Fin de Grado busca su aplicación a los sistemas inductivos de transferencia de energía a un material magnético, que se denominará carga del sistema.
Los sistemas inductivos de transferencia de energía a cargas de materiales magnéticos, están compuesto por un bobinado por el que circula una corriente variable que, a su vez, genera campos eléctricos y magnéticos variables, los cuales inducen corrientes en cualquier medio conductor eléctrico que se encuentre en su seno, disipando energía en el mismo y calentándolo. Generalmente, el medio conductor que se calienta suele estar compuesto de materiales ferromagnéticos blandos. Dichos materiales confieren al recipiente de ciertas propiedades magnéticas no lineales que se desean modelar mediante el uso de PINNs.
Las actividades a realizar serán las siguientes:
- Generación de señales de tensión y corriente mediante simulación electromagnética.
- Revisión y análisis de Physics-Informed Neural Networks, PINNs.
- Modelización magnética del material mediante PINNs. Obtención de los parámetros característicos de la curva B-H del material.
|
|---|