摘要：电磁轨道发射器作为一种新型发射技术，具有发射动能高、系统效率高、发射频次高、启动时间快、持续发射能力强和负载可调节性强等优势，在军事、民用领域，均有颠覆现有格局的重大意义。因此，在国家政策支持下，2020年开始的“极端条件电磁能装备科学基础”成为电工学科唯一的
电磁轨道发射器作为一种新型发射技术，具有发射动能高、系统效率高、发射频次高、启动时间快、持续发射能力强和负载可调节性强等优势，在军事、民用领域，均有颠覆现有格局的重大意义。因此，在国家政策支持下，2020年开始的“极端条件电磁能装备科学基础”成为电工学科唯一的重大研究计划。
研究背景
电磁轨道发射器发射过程中，轨道截面和枢轨接触面上电流分布极不均匀，电流密度接近材料承受极限。计算发射过程中的电流密度场，是实现其结构精细化设计的必要条件之一。电磁轨道发射器的结构和原理图如图1。但由于问题复杂，涉及多场耦合、非线性，使用有限元方法精细化建模计算时间长，通常需要数小时甚至几天；受速度趋肤效应影响，电磁场控制方程为对流扩散方程，高速下存在计算困难甚至无法计算的问题。
考虑到深度神经网络具有强大的特征提取能力，可以从数值模拟数据中学习场的时空变化规律，作者提出了基于ResUnet-Trans-CGAN的高速下电流密度场预测方法。使用有限元法获得数据集，训练完成后可实现电流密度场的高精度内插预测和高速下难以稳定计算阶段外推预测，单次计算时间在秒级以内。
图1 电磁轨道发射器的结构和原理图
论文方法及创新点
为实现电流密度场的直接生成，作者使用目前应用最广泛的图像生成模型之一的生成对抗网络（GAN）。条件生成对抗网络（CGAN）通过给生成器和判别器增加条件变量y，解决了GAN生成图像不可控的问题。为实现输入参数到电流密度场的一对一映射，本文去除输入中的随机噪声z，直接以激励电流、电枢电导率、轨道结构参数和时间t作为条件变量输入神经网络，建立了基于CGAN的电流密度场预测模型，如图2所示。
图2 CGAN模型结构
然后，为提高对复杂电流密度场分布的特征提取能力，构建了ResUnet-Trans网络作为CGAN的特征生成器，其结构如图3所示。使用U-Net结构实现不同层次特征的融合，引入短残差抑制深度神经网络退化，引入Transformer提升模型对全局特征的提取能力。其次，通过在模型中引入Dropout和使用余弦退火算法自适应调整学习率，抑制过拟合、提高预测精度。
图3 ResUnet-Transformer生成器结构
进一步，在训练过程中使用由低电导率向高电导率的迁移学习训练策略，提高模型外推预测精度和泛化能力。最后，分别以低速和高速电磁轨道发射器实例验证了模型内插和外推预测的精度。电流密度场外推预测方法如图4所示。
图4 电流密度场外推预测方法
结论
结果表明，内插预测时，相比于CGAN、Unet-CGAN和ResUnet-Trans，本文提出的ResUnet-Trans-CGAN在测试集上具有更高的精度，电流密度场内插预测MAPE值小于1.5%。Dropout和使用余弦退火算法分别提升了33.3%和26.3%的预测精度。为缩短训练时间，验证了数据集大小对模型性能的影响，训练集样本数从1 600增加到2 000后，训练时间明显增加，而预测精度并没有得到明显提升。
高速下外推预测时，使用由低电导率向高电导率的迁移学习训练策略后，在测试集上ResUnet-Trans-CGAN外推预测轨道截面处电流密度场的MAPE由1.83%降至1.52%，训练速度提升17.0%，枢轨接触面处MAPE由小于3.5%降低至小于2.5%，训练速度提升22.1%。实验结果如图5所示。模型能够实现高速下难以稳定数值模拟阶段电流密度场的直接生成。
图5不同轨道结构下枢轨接触面电流密度场预测结果
团队介绍
工程电磁场与磁技术团队的作者，从事电磁场数值模拟与智能计算研究。获得中国电工技术学会科技进步一等奖1项，天津市科学技术进步奖一等奖1项、二等奖1项，天津市“海河英才”创新创业大赛博士后揭榜领题赛技术攻关三等奖1项。主持国家自然科学基金面上项目2项和青年项目1项，省部级项目2项，企业项目多项。
作为主要参与人参加国家重大研究计划重点项目1项，完成国家自然科学基金项目3项。发表100多篇学术论文，国际、国内学术会议优秀报告或论文多项。获批2016年天津市创新人才推进计划青年科技优秀人才，入选2017年入选天津市高校“中青年骨干创新人才培养计划”、2017年天津市“131”二层次人选、2013年度天津市第二批“用三年时间引进千名以上高层次人才”人选，电磁发射技术专业委员会委员。
本工作成果发表在2024年第19期《电工技术学报》，论文标题为“电磁轨道发射器高速下电流密度场预测“。本课题得到国家自然科学基金重大研究计划、国家自然科学基金面上项目和中央引导地方科技发展专项自由探索项目的支持。
来源：电气技术
