Учёные колледжа электротехники и информационной инженерии, Чжэнчжоуского университета легкой промышленности предложили модель прогнозирования характеристик гистерезиса нанокристаллических сплавов на различных частотах, основанная на архитектуре энкодер-декодер с использованием сети LSTM и нейронной сети с прямой связью. Модель обучается на данных, полученных от модели гистерезиса Джилса-Атертона (J–A), что позволяет эффективно извлекать характеристики магнитного гистерезиса.
LSTM (Long Short-Term Memory) — это тип рекуррентной нейронной сети (RNN), специально разработанный для работы с последовательностями данных и временными зависимостями. В отличие от стандартных RNN, LSTM способна эффективно запоминать информацию на длительных временных интервалах, что делает её особенно полезной для задач, где важно учитывать контекст или историю данных.
RNN (Recurrent Neural Network) — это тип нейронной сети, предназначенный для обработки последовательных данных. В отличие от традиционных нейронных сетей, которые обрабатывают фиксированные наборы входных данных, RNN имеет возможность учитывать информацию из предыдущих шагов, что позволяет ей анализировать последовательности и временные ряды.
Нанокристаллические сплавы обладают высокими показателями, такими как плотность потока насыщения и низкие потери, что делает их перспективными для применения в энергетическом оборудовании. Однако их гистерезисные характеристики варьируются в зависимости от частоты, что требует точного прогнозирования.
Модель LSTM позволяет учитывать временные зависимости, что важно для гистерезиса, так как магнитная индукция зависит не только от текущего значения магнитного поля, но и от его предыдущего значения. Валидация модели показала максимальную погрешность около 10,29%, что подтверждает ее эффективность в прогнозировании характеристик гистерезиса с учетом влияния частоты. Результаты открывают новые перспективы для оптимизации магнитных материалов в энергетических системах.
Процесс намагничивания нанокристаллического сплава. Изображение: Sci. Rep. 15, 6536 (2025). https://doi.org/10.1038/s41598-025-91138-1
Дополнительная информация: Li, H., Zhang, B., Shen, Y. et al. Research on prediction of nanocrystalline alloy hysteresis properties based on long short-term memory network. Sci Rep 15, 6536 (2025). https://doi.org/10.1038/s41598-025-91138-1