적층 코어 전기 기계의 유한요소 시뮬레이션에 히스테리시스와 와전류를 포함하는 것은 계산적으로 어렵다. 각 적분점과 모든 비선형 반복마다 적층 내부의 장을 해석하면, 히스테리시스를 무시한(anhysteretic) 시뮬레이션보다 계산 비용이 여러 차수 높아져, 이러한 접근법은 설계 적용에 비실용적이 된다. 반면, 자기 포화만을 고려하는 단순화 모델은 전기 기계의 토폴로지와 작동 조건이 복잡해질수록 점점 부적절해지고 있다. 이러한 맥락에서, 머신러닝 대리 모델링(surrogate modeling)은 복잡한 전자기 거동을 효율적이고 정확하게 근사할 수 있는 유망한 대안으로 떠올랐다. 본 논문에서는, 등방성 적층 코어에 대한 적층 코어 재료 모델의 대리 모델로 순환 신경망을 학습시키고, 이를 자기 벡터 퍼텐셜(magnetic vector potential) 공식화에 기반한 현실적인 2차원 자기역학(magnetodynamic) 유한요소 시뮬레이션에 통합한다. 제안 방법은 참조 적층 코어 모델과 매우 잘 일치하면서, 계산 비용을 히스테리시스를 무시한 시뮬레이션의 약 2배 수준으로 제한한다. 전기 기계 시뮬레이션에서 나타나는 자기장 시퀀스를 모방하도록 설계된 충분히 다양한 인공 생성 자기장 시퀀스로 순환 신경망을 학습함으로써, 제안 방법은 다양한 유한요소 시뮬레이션에 쉽게 적용할 수 있다. 또한, 학습된 대리 모델은 기존 계산 프레임워크에 쉽게 통합할 수 있는 독립형 구성 요소로 제공된다. https://gitlab.onelab.info/getdp/lamnet 에서 공개적으로 이용할 수 있다.
장경간 도로 교량은 차량 하중 하에서 고도로 국소화된 구조 응답을 보이며, 이로 인해 영향면 생성 및 구조적 디지털 트윈과 같은 응용 분야에서 반복적인 유한요소(FE) 해석의 계산 비용이 높아집니다. 기존의 과학적 기계 학습(SciML) 접근 방식은 이러한 국소화된 응답을 정확하게 포착하는 데 어려움을 겪습니다. 이러한 문제를 해결하기 위해 본 연구는 대규모 교량 시스템에서의 국소화된 구조 응답 예측을 위해 적응형 트렁크 DeepONet을 제안합니다. 이 프레임워크는 KNN 전략을 사용하여 하중 종속 학습 도메인을 동적으로 구성함으로써, 네트워크가 구조 영향 영역에 집중할 수 있도록 합니다. 트렁크 네트워크는 하중과 구조 노드 사이의 기하학적 관계를 인코딩하는 거리 인식 특징을 사용하여 추가로 향상됩니다. 강성 정보 슈어 보체(Schur complement) 공식을 통해 물리 기반 전체장 재구성이 통합되어, 적응형 노드에서의 예측을 전체 구조 도메인으로 확장할 수 있습니다. 확장 가능한 학습을 가능하게 하기 위해, 지배적인 전역 거동을 보존하면서 계산 비용을 획기적으로 줄이는 축소 차수 등가 쉘 모델을 사용하여 응답 데이터를 생성합니다. 제안된 프레임워크는 벤치마크 교량 모델과 실제 무사파(Mussafah) 교량 모두에서 검증되었습니다. 결과에 따르면 해당 방법은 상대 오차 5% 미만으로 FEM 수준의 정확도를 달성하면서, 전체 응답 평가 시간(전체장 재구성 포함)을 약 60배 단축합니다. 후처리 재구성 단계를 제외하면 AD-DeepONet 추론은 FEM보다 최대 4자릿수 더 빠릅니다. 또한, 이 프레임워크는 임의의 차량 하중 구성 하에서 전체장 응답, 영향선 및 영향면의 빠른 생성을 가능하게 하여, 대규모 교량 해석 및 디지털 트윈 응용 분야에서 강력한 잠재력을 보여줍니다.
최근 과학 기계 학습(scientific machine learning)의 발전은 편미분 방정식(PDEs)에 대한 준실시간 해법을 제공하지만, 현대의 검증(verification) 및 확인(validation)을 지원하는 기존 시뮬레이터의 이론적 기초가 부족합니다. 본 연구에서는 구조 보존형 실시간 대리 모델 역할을 하는 데이터 기반 차수 축소 모델(reduced-order models)을 구축합니다. 특히, 물리적 보존 구조를 부과하는 외적 미적분학(exterior calculus)이 상태-플럭스 관계의 불확실성에 대한 가우시안 프로세스(GP) 표현을 구축하는 데 사용하는 위상적 구조를 드러낸다는 점이 주목됩니다. 이는 궁극적으로 사후 불확실성에 대한 닫힌 형식의 식을 갖는 관심 양(quantities of interest)에 대한 디리클레-노이만 맵(Dirichlet-to-Neumann map)을 산출합니다. 구체적으로, 우리는 경량 트랜스포머(transformer)에 의해 규정된 기존 라비아르-토마스(Raviart--Thomas) 및 $dgP_0$ 요소의 구조 보존형 $H(\mathrm{div})$-$L^2$ 부분 공간을 제안합니다. 이 부분 공간과 일치하는 차수 축소 역학은 GP가 부피 간 플럭스를 설명하는 보존 법칙을 제시함으로써 학습됩니다. 이 작업은 혼합 유한 요소법(FEM) 공간과 GP 회귀 간의 새로운 인터페이스에 기반합니다. 학습(training)을 최적 회복 문제(ORP)로 제시할 때, 결과적인 GP 회귀는 보존 구조를 부과하는 등식 제약 조건이 있는 최적화 문제로 작성될 수 있으며, 이는 빠른 슈어 보수(Schur-complement) 학습 전략에 적합합니다. 그런 다음 학습된 모델은 지정된 디리클레 데이터(Dirichlet data)에 의해 구동되는 경계 플럭스에 대한 닫힌 형식의 추정기를 사용하여 실시간으로 해결할 수 있습니다. 본 논문은 불확실성 정량화를 지원하기 위한 선형 범함수에 대한 RKHS(재생 커널 힐베르트 공간) 사후 오차 한계를 포함하며, 오차 추정에 대한 대리 모델로서 사후 분포의 정확도를 입증하는 수치 실험도 포함합니다.