Dissertação
Critical Current Predictions Through Computational Intelligence for Main Commercial High-Temperature Superconducting tapes EVALUATED
A modelação de Supercondutores de Alta-Temperatura (HTS) é um passo crucial para o desenvolvimento de tecnologia supercondutora de próxima geração. Neste trabalho, certos modelos matemáticos são extraídos ao aplicar algoritmos de aprendizagem automática e ajustar relações empíricas à base de dados pública, que contém resultados experimentais de diferentes produtores de fitas HTS, fornecidos pelo Robinson Research Institute. Um dos métodos é a utilização do Processo Gaussiano de Regressão (GPR), onde os modelos são treinados e testados para prever correntes críticas DC, dadas as condições de operação do HTS (temperatura, magnitude e ângulo do campo magnético aplicado). De modo a produzir modelos mais precisos, os dados são pré-processados, é realizada uma otimização de hiperparâmetros e são utilizados comprimentos de escala separados para cada previsor (Deteção Automática de Relevância ou ARD). Outro método é usar dois modelos empíricos que são ajustados aos dados apenas a magnitude do campo magnético como entrada: modelos Kim e Kim Plus. Comparando os resultados, o melhor modelo do GPR fornece os menores erros relativos, com a exceção de casos em que campos externos paralelos originam curvas de corrente ingremes. Este método também requere altos tempos de computação de treino, contrariamente à modelação empírica. Os modelos empíricos requerem um ajuste único para cada par temperatura/ângulo de cada conjunto de dados. Para abordar este facto, são propostos dois novos modelos empíricos, nomeados modelos Custom e Advanced Custom, que incorporam o ângulo como entrada.
novembro 30, 2022, 16:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Susana Margarida da Silva Vieira
Departamento de Engenharia Mecânica (DEM)
Professor Associado
ORIENTADOR
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado