超導馬達因其高功率重量比，被視為下一代電動航空的關鍵技術。然而，超導材料在交流電 (AC) 環境下運作時會產生交流損耗，這不僅降低了馬達的效率，還會產生熱量，需要複雜且昂貴的冷卻系統。準確預測這些交流損耗一直是超導馬達設計和優化的重大挑戰。如今，一項新的研究突破，利用深度學習模型以前所未有的精度預測超導馬達的交流損耗，為氫能電動飛機的發展開啟了新的可能性。
傳統方法的局限性
傳統上，工程師們依賴靜態公式或簡化的模型來估算超導馬達的交流損耗。這些方法往往無法捕捉到交流損耗隨時間變化的複雜動態行為，導致設計上的保守和效率的降低。有限元素分析 (FEA) 雖然能提供更精確的結果，但計算量大，耗時長，不適用於快速設計迭代和即時控制。
深度學習模型的突破
由 Alipour Bonab、Berg、Song 及其同事開發的全新深度學習模型，直接解決了這個瓶頸問題。該模型整合了時間依賴性，能夠動態、細緻地理解交流損耗在超導馬達各種運行條件下的演變。這使得工程師能夠設計出最大限度地減少能量耗散和熱負載的控制策略和馬達系統。
該研究團隊使用一種稱為級聯前饋神經網路 (CFNN) 的深度學習架構。他們使用數值模型生成訓練數據，大幅提升了預測效率，並顯著縮短了與 FEA 模型相比的計算時間。
99.994% 的準確度
研究結果顯示，CFNN 模型在交流損耗預測的準確性方面，超越了其他 15 種人工智慧 (AI) 和非 AI 迴歸技術，R 平方值高達 99.994%。更深入的分析顯示，CFNN 模型能夠以小於 1% 的相對誤差估算 96.27% 的總數據點（2816 種不同的馬達配置）的交流損耗。而且，沒有任何數據點的相對誤差超過 2.27%，這證明了該模型在超導推進馬達交流損耗估算方面的穩健性。
對氫能電動飛機的影響
這項突破對氫能電動飛機的發展具有重大意義。超導馬達是氫能電動飛機推進系統的關鍵組件，而準確預測交流損耗，意味著可以更有效地設計和控制這些馬達，從而提高飛機的整體效率和可靠性。
具體來說，更準確的交流損耗預測可以帶來以下好處：
降低冷卻需求：
準確預測交流損耗可以幫助工程師設計出更有效的冷卻系統，從而降低冷卻需求和系統的複雜性。
提高設計效率：
透過精確掌握交流損耗的動態行為，工程師可以優化馬達的設計，以最大限度地提高效率和功率重量比。
增加有效載荷能力：
更高效的馬達和更輕的冷卻系統可以釋放更多的空間和重量，從而增加飛機的有效載荷能力。
超越航空：更廣泛的應用
這項技術的潛力不僅限於航空領域。Naveen kumar reddy Guntaka 在 LinkedIn 上指出，電力網、核磁共振成像 (MRI) 機器和粒子加速器等領域，都可以從預測性損耗建模中受益。
未來展望：即時優化
研究人員認為，未來的重要方向是實現即時整合。想像一下，馬達可以根據即時感測器數據進行自我優化。這代表著一種未來趨勢，即建立能夠適應和持續改進的智慧系統。
人工智慧在超導領域的應用
格拉斯哥大學的研究人員在《Superconductor Science and Technology》期刊上發表的一篇綜述文章指出，人工智慧技術正在為超導領域帶來顛覆性的解決方案。文章強調，人工智慧可以應用於材料、設計、製造、測試、運行和狀態監測等各個方面，解決超導商業化面臨的挑戰，例如超導線材/帶材的高成本、交流損耗的技術問題、冷卻系統的複雜性和高成本等。
結論：深度學習引領超導技術新時代
總而言之，這項利用深度學習預測超導馬達交流損耗的研究，是一項重要的技術突破。它不僅為氫能電動飛機的發展掃清了道路，也為超導技術在更廣泛領域的應用開闢了新的前景。透過更精確的預測和即時優化，深度學習正在引領超導技術進入一個新的時代，為更高效、更可靠的能源系統鋪平了道路。這項研究不僅展示了人工智慧在解決複雜工程問題方面的強大能力，也預示著數據驅動優化將逐漸取代傳統公式，成為未來工程設計的主流。
Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機 Date: December 17, 2025