Przedstawiamy ogólną metodykę modelowania charakterystyk materiałów magnetycznych stosowanych w energetyce przy użyciu głębokich sieci neuronowych.

Do trenowania autoenkodera (czyli modelu sieci neuronowej złożonej z dwóch części: enkodera i dekodera) w sposób nienadzorowany wygenerowano wielowymiarowe charakterystyki materiałów magnetycznych, które naśladują rzeczywiste pomiary. Enkoder stara się przewidzieć parametry materiałowe modelu teoretycznego, który następnie jest używany w dekoderze. Dekoder, korzystając z przewidzianych parametrów, rekonstruuje wejściowe charakterystyki.

Sieć neuronowa jest trenowana na syntetycznie wygenerowanym zestawie charakterystyk, który obejmuje szeroki zakres zachowań materiałów, co pozwala na uogólnienie modelu, pozwalające opisać fizykę problemu, zamiast jedynie optymalizować parametry dla pojedynczej charakterystyki.

Po zdefiniowaniu i wytrenowaniu modelu, wykazujemy jego przydatność w złożonym problemie jednoczesnego modelowania materiałów magnetycznych w domenach częstotliwości i prądu (zakres nieliniowy).  W tym celu wykorzystano charakterystyki zmierzone w zakresie częstotliwości do 10 MHz oraz natężenia pola magnetycznego (H) aż do nasycenia.