【技术实现步骤摘要】
本专利技术涉及电磁场计算与人工智能交叉领域，具体涉及一种面向多域电磁场问题的无监督求解方法，采用多子网络协同建模策略，属于电磁场智能计算与物理信息神经网络建模。
技术介绍
1、在电磁场数值计算中，传统的有限元法(fem)等数值方法在处理多区域、多材料、多源耦合的复杂电磁问题时，面临网格划分困难、计算资源消耗大、适应性差等挑战，尤其在面对复杂几何结构或局部介质剧烈变化的区域，精度与效率难以兼顾。
2、近年来，基于物理信息神经网络(physics-informed neural networks,pinns)的电磁场建模方法受到广泛关注。pinns通过将偏微分方程残差作为网络损失进行训练，无需依赖大量标注数据，即可实现端到端求解，具有高度的可扩展性与通用性。然而，单一神经网络在处理跨尺度、多区域电磁特性时，常常难以兼顾局部表达能力与全局协调性，存在精度不高、训练不稳定等问题。
3、因此，亟需一种面向复杂多域电磁场问题的高效建模方法，以提升网络的局部拟合能力、区域间物理耦合一致性及关键边界区域的精度，从而实现对复杂电磁...
【技术保护点】
1.一种多域电磁场无监督求解的多子网络协同建模方法，其特征在于，所述方法采用分区域网络部署策略、分界面连续性耦合策略、无监督训练机制、多子网络协同建模策略，在求解区域内依据介质参数与场源信息，对计算域进行分区划分，将整体区域拆分为多个物理子区域；在每个子区域内部独立部署神经网络模型，用于拟合该区域内的电磁场分布，从而提升网络对局部物理特性变化的学习能力和建模精度；通过在子区域之间构建跨网络的连续性耦合机制，在相邻区域交界面处引入矢量磁位Az的值连续性约束与其空间导数H的切向分量的连续性损失函数，实现各子网络之间的物理耦合，确保电磁场解在不同区域间的边界连续性和整体解的
【技术特征摘要】
1.一种多域电磁场无监督求解的多子网络协同建模方法，其特征在于，所述方法采用分区域网络部署策略、分界面连续性耦合策略、无监督训练机制、多子网络协同建模策略，在求解区域内依据介质参数与场源信息，对计算域进行分区划分，将整体区域拆分为多个物理子区域；在每个子区域内部独立部署神经网络模型，用于拟合该区域内的电磁场分布，从而提升网络对局部物理特性变化的学习能力和建模精度；通过在子区域之间构建跨网络的连续性耦合机制，在相邻区域交界面处引入矢量磁位az的值连续性约束与其空间导数h的切向分量的连续性损失函数，实现各子网络之间的物理耦合，确保电磁场解在不同区域间的边界连续性和整体解的一致性。
2.如权利要求1所述的多域电磁场无监督求解的多子网络协同建模方法，其特征在于，所述采用多子网络协同建模策略，具体包括以下步骤：
3.如权利要求1所述的多域电磁场无监督求解的多子网络协同建模方法，其特征在于，所述子区域的划分依据包括介电常数、磁导率、导电率及电流密度的介质参数及场源分布特征。
4.如权利要求1所述的多域电磁场无监督求解的多子网络协同建模方法，其特征在于，所述矢量磁位为二维问题中的矢量磁位az，所述导数h为az关于空间变量的偏导数，用以构建磁场强度h的切向连续性损失。
5.如权利要求1所述的多域电磁场无监督求解的多子网络协同建模方法，其特征在于，所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。