Determinación de un modelo de histéresis con el uso de diferentes métodos evolutivos para un modelo de histéresis innovador
Autores: Jesenik, Marko; Mernik, Marjan; Trlep, Mladen
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Determinación de un modelo de histéresis con el uso de diferentes métodos evolutivos para un modelo de histéresis innovador
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Modelado
Histéresis
Algoritmo genético
Evolución diferencial
Optimización
Magnetización
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
Para un modelado preciso de dispositivos electromagnéticos, debemos modelar la histéresis del material. Se utilizaron un Algoritmo Genético, Evolución Diferencial con tres estrategias diferentes, optimización basada en enseñanza-aprendizaje y Colonia Artificial de Abejas, para probar siete expresiones matemáticas modificadas, y se utilizó la mejor combinación de expresión matemática y método de resolución para el modelado de la histéresis. Los parámetros del modelo de histéresis se determinaron en base al lazo de histéresis principal medido y a las curvas de reversión de primer orden. El modelo ofrece una determinación simple del procedimiento de magnetización en las áreas entre las curvas medidas, con la única corrección de dos parámetros basada en solo dos puntos conocidos en el proceso de magnetización. Se probó en dos materiales magnéticos muy diferentes, y los resultados muestran una buena concordancia entre las curvas medidas y calculadas. Las curvas calculadas entre las curvas medidas tienen formas correctas. La principal diferencia entre nuestro modelo y otros modelos es que, en nuestro modelo, cada curva medida, principal y de reversión, se describe con diferentes parámetros. El proceso de magnetización entre las curvas medidas se describe de acuerdo con la curva medida más cercana, y esto asegura el mejor ajuste para cada curva medida. En otros modelos, principalmente hay una sola curva, una curva de histéresis principal o de magnetización, utilizada para la determinación de los parámetros, y luego todas las demás curvas dependen de esta curva. Los resultados confirman que el método de optimización evolutiva ofrece un procedimiento confiable para la determinación precisa de los parámetros.
Descripción
Para un modelado preciso de dispositivos electromagnéticos, debemos modelar la histéresis del material. Se utilizaron un Algoritmo Genético, Evolución Diferencial con tres estrategias diferentes, optimización basada en enseñanza-aprendizaje y Colonia Artificial de Abejas, para probar siete expresiones matemáticas modificadas, y se utilizó la mejor combinación de expresión matemática y método de resolución para el modelado de la histéresis. Los parámetros del modelo de histéresis se determinaron en base al lazo de histéresis principal medido y a las curvas de reversión de primer orden. El modelo ofrece una determinación simple del procedimiento de magnetización en las áreas entre las curvas medidas, con la única corrección de dos parámetros basada en solo dos puntos conocidos en el proceso de magnetización. Se probó en dos materiales magnéticos muy diferentes, y los resultados muestran una buena concordancia entre las curvas medidas y calculadas. Las curvas calculadas entre las curvas medidas tienen formas correctas. La principal diferencia entre nuestro modelo y otros modelos es que, en nuestro modelo, cada curva medida, principal y de reversión, se describe con diferentes parámetros. El proceso de magnetización entre las curvas medidas se describe de acuerdo con la curva medida más cercana, y esto asegura el mejor ajuste para cada curva medida. En otros modelos, principalmente hay una sola curva, una curva de histéresis principal o de magnetización, utilizada para la determinación de los parámetros, y luego todas las demás curvas dependen de esta curva. Los resultados confirman que el método de optimización evolutiva ofrece un procedimiento confiable para la determinación precisa de los parámetros.