Utilisation des Méthodes de l’Intelligence Artificielle dans la Modélisation des Phénomènes Electromagnétiques et Thermiques Couplés dans les Systèmes Electriques.

Abstract

RESUME : L’objectif de travail de recherche présenté dans le cadre de cette thèse de Doctorat est l’utilisation et l’application de certaines techniques de l’intelligence artificielle (Algorithmes Génétiques et les Réseaux de Neurones) ont été appliqués pour, d’une part, la modélisation des dispositifs électromagnétiques et thermiques couples, et d’autre part, pour le diagnostic et la caractérisation des matériaux magnétiques. Dans le cadre de ce travail, nous nous intéressons à développer un modèle basé sur les réseaux de neurones qui peut décrire l'hystérésis magnétique de Jiles-Atherton en tenant compte de l'influence de certaines grandeurs externes. Les paramètres fixés le modèle de l'hystérésis de Jiles-Atherton sont identifiés et optimisées par une méthode stochastique d’optimisation par algorithmes génétiques de code réel. L’identification des ces paramètres est effectuée en minimisant la moyenne de l’erreur des moindres carrées entre les valeurs mesurée et celle calculée par le modèle de J-A. Les résultats calculés sont validés par des essais expérimentaux effectués dans un cadre à bande unique (SST). Le comportement thermique d’un modèle neurale à été intégré dans un code volumes finis pour modéliser un dispositif de chauffage par induction. ABSTRACT: In this thesis, the use applications of some techniques of artificial intelligence (Genetic Algorithms and Neural Networks) were applied for modeling electrothermal devices, and for the diagnosis and characterization of magnetic materials. In this work, we are interested to develop a model based on feed-forward neural networks of which can describe magnetic hysteresis by taking account of the influence of certain external sizes. The parameters set of the Jiles–Atherton hysteresis model identified by using a real coded genetic algorithm. The parameters identification performed by minimizing the mean squared error between experimental and simulated magnetic field curves. The method verified by applying it to an Axi-symmetrical ferromagnetic system. The calculated results validated by experiences performed in a Single Sheet Tester’s frame (SST). The thermal behavior of a neural model was integrated in a finite volume code to model an induction heating device.