В данной статье представлена SuperCond-GNN, суррогатная модель на основе графовых нейронных сетей, предназначенная для прогнозирования распределения напряжения в высокотемпературных сверхпроводящих магнитах путем отображения эквивалентных схем с сосредоточенными параметрами на графовые представления. Модель достигает среднего MAPE 4.3% на ленточных стопках и обеспечивает быстрое вычисление перераспределения тока в различных конфигурациях цепей.
- Высокотемпературные сверхпроводящие магниты моделируются как эквивалентные схемы с сосредоточенными параметрами и отображаются на графы для GNN с передачей сообщений.
- Суррогатная модель обучается на данных симуляций цепей, достигая среднего MAPE 4.3% в пределах проектного пространства.
- Для повышения производительности модели оценивается физически обоснованная регуляризация на основе закона Кирхгофа для токов.
- Обобщающая способность оценивается через zero-shot вывод и few-shot дообучение на невидимых топологиях.
- Фреймворк независим от топологии и расширяем для сложных конфигураций кабелей и магнитов HTS.
Этот подход предлагает масштабируемую альтернативу традиционным решателям цепей для таких задач, как исследование проектного пространства, анализ разделения тока и мониторинг магнитов в реальном времени.