Deep Learning Model for Capacitance and Inductance Matrices Prediction of Multiconductor Transmission Line
Modèle d'apprentissage profond pour la prédiction des matrices de capacité et d'inductance d'une ligne de transmission multiconducteur
Résumé
This paper presents a novel deep learning-based approach for estimating the per-unit-length capacitance and inductance matrices ([CJ, [L]) of a multi-conductor transmission line. These matrices, key-parameters (with per unit length resistance and conductance matrices [RJ and [G]) in the transmission line theory, are derived from the geometrical and electrical description of the cross section of the harness. Conventional methods typically involve either analytical models for very few simple confi gurations or numerical simulations to solve governing equations, as the Laplace equation related to the p.u.l parameters. In contrast, this study utilizes deep learning models to directly estimate these parameters, particularly focusing on the capacitance and inductance matrices. The effectiveness of the proposed method is compared to conventional numerical analysis, and strategies for constructing an efficient neural network for LC matrices calculations are discussed.
Cet article présente une nouvelle approche basée sur l'apprentissage profond pour estimer les matrices de capacité et d'inductance par unité de longueur (p.u.l) ([C], [L]) d'un faisceau de câbles. Ces matrices, paramètres clés (avec les matrices de résistance et de conductance par unité de longueur [R] et [G]) dans la théorie des lignes de transmission, sont dérivées de la description géométrique et électrique d'une section transversale d'un toron. Les méthodes conventionnelles impliquent généralement des simulations numériques pour résoudre les équations gouvernantes, telles que l'équation de Laplace liée à ces paramètres. En revanche, l'étude proposée utilise des techniques d’apprentissage automatique pour estimer directement ces paramètres, en se concentrant particulièrement sur les matrices de capacité et d’inductance. L'efficacité de la méthode proposée est comparée à l'analyse numérique conventionnelle, et les stratégies permettant de construire un réseau de neurones efficace pour les calculs de matrice [L] et [C] sont discutées.