في عالم الهندسة الكهربائية، يعد دمج ظواهر مثل الهسترس (hysteresis) والتيارات الدوامية (eddy currents) في محاكاة النماذج عنصرًا حاسمًا، إلا أنه يمثل تحديًا كبيرًا على صعيد التكاليف الحسابية. تعتبر المحاكاة التقليدية المعتمدة على الطرق النمطية غير فعالة في مواجهة التحديات المتزايدة الناتجة عن تعقيد توبولوجيا الآلات الكهربائية وظروف التشغيل. ومع ذلك، في خطوة جديدة ورائدة، تم إدخال نموذج بشبكة عصبية متكررة (Recurrent Neural Network) ليكون بمثابة بديل فعال.

قد تم تدريب هذه الشبكة العصبية كنموذج بديل لمادة نوى اللويحات (laminated-core material model) في نماذج المحاكاة الحركية المغناطيسية ثنائية الأبعاد، حيث أظهرت دقة ملحوظة تتماشى مع نماذج النوى اللويحية التقليدية. والجدير بالذكر أن هذا النهج الجديد يخفض التكاليف الحسابية إلى الضعف تقريبًا مقارنةً بالمحاكاة التقليدية غير الهستيرية.

من خلال تدريب الشبكة العصبية على مجموعة متنوعة من تسلسلات المجالات المغناطيسية التي تحاكي ظروف الآلات الكهربائية، يُمكن تطبيق هذا النموذج في مجموعة واسعة من المحاكيات، مما يجعل عملية النمذجة أكثر كفاءة وسلاسة. كما أن النموذج المتدرب متاح كعنصر مستقل لسهولة الدمج في الأطر الحاسوبية القائمة. في النهاية، نحن نشهد بداية عصر جديد من الابتكار بفضل الذكاء الاصطناعي، مما يساهم في تحسين العملية الهندسية وتحقيق مستويات أعلى من الكفاءة.