[发明专利]一种数据驱动电磁系统中多物理场时域模型降阶方法

说明书

本发明公开了一种数据驱动电磁系统中多物理场时域模型降阶方法。该方法创新在于首次将科学机器学习与模型降阶相结合，并用于解决电磁系统问题。首先通过正交投影(POD)方法，对数据集空间维度进行降阶，它可以实现超过三个数量级的数据量减少；然后，通过一种自适应帧选择方法，在时间维度对数据量进行缩减；然后，采用科学机器学习的数据驱动方法，从缩减后的数据集中学习得到新的模型。其中降阶模型可以代替全阶模型的不同应用，实现千倍以上的计算加速。本发明的方法具有高扩展、误差小特点，特别适用于小样本数据驱动情形，能大大提高电磁系统中多物理场的时域计算效率。

技术领域

本发明涉及大功率半导体器件、集成微系统与集成电路等电磁系统中一种数据驱动的多物理场时域模型降阶方法，特别针对电磁系统中电(磁)-热-力多物理场耦合作用场景，实现加速计算。

背景技术

大功率半导体器件、集成微系统与集成电路等电磁系统中多物理场的耦合求解往往面临计算量巨大、内存占用多、求解收敛速度慢问题。为此，本发明提出一种数据驱动的电磁系统中多物理场的时域模型降阶方法，能实现多物理场的加速计算，显著降低内存需求。

现有技术，中国发明专利《适用于下垂并网逆变器网络的模型降阶方法》(公开号：CN113098065A)公开了一种适用于下垂并网逆变器网络的模型降阶方法，涉及下垂并网逆变器控制技术领域。该发明是为了解决解决传统慢同调方法难以应用于分布式发电网络的问题。该发明针对现有应用广泛的三相下垂控制并网逆变器，提出了适用于下垂并网逆变器网络的模型降阶方法，该方法能够将慢同调算法应用于下垂控制逆变器网络，并且能够改善传统慢同调算法的分群结果，进一步提高降阶模型的准确性，但是该发明不能解决大功率半导体器件、集成微系统与集成电路等电磁系统中多物理场有限元(FEM)仿真中的模型降阶问题。

文献(M.Wang,H.-X.Li,X.Chen,and Y.Chen,“Deep learning-based modelreduction for distributed parameter systems,”IEEE Transactions on Systems,Man,and Cybernetics:Systems,vol.46,no.12,pp.1664–1674,2016)中同样使用一种非侵入式的方法，可以在控制方程未知时起效，但是存在训练代价大的问题。

本发明的方法预先对数据集进行压缩处理，极大的降低了训练代价；同时引入控制方程，但却不需要访问高维算子，提高了计算方法的泛化性。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种数据驱动电磁系统中多物理场时域模型降阶方法。包括如下步骤：

第一步：从已有电磁系统中多物理场仿真数据集出发，将数据集转化为数组格式，采用本征正交分解方法对数据集进行空间维度的压缩，压缩后的数据集作为第二步中数据列的新加入帧；

第二步：采用自适应帧选择方法，针对代表时间维度的数据列，进行压缩；其中自适应帧选择方法为：通过分析每个新帧引入的敏感信息，确认是否从数据列中删除；压缩后的数据列作为训练集；

第三步：确认电磁系统中多物理场计算过程中的边界条件与源项，作为数据驱动过程中的外界条件；

第四步：采用数据驱动方法，从第二步得到的训练集中学习得到新降阶模型；

第五步：测试新降阶模型的有效性，当误差较大时，添加适当的正则化系数，进行重新训练；

第六步：不断重复步骤四和步骤五，直到新降阶模型与全阶模型之间的误差达到要求时，停止训练。

具体地，第一步中，采用本征正交分解方法对数据进行第一次数据压缩的步骤包括：使用奇异值分解SVD或者随机奇异值分解RSVD，并将代表空间维度的数据行进行压缩。

具体地，第一步为：