Toroid çekirdeklerin manyetik özelliklerinin yapay sinir ağları kullanarak belirlenmesi

Abstract

Kullanım alanı oldukça geniş olan Yapay Sinir Ağlan, güç kaybı ve manyetik geçirgenlik gibi, toroid çekirdeklerin manyetik başaranının tahmin edilmesinde başarıyla uygulanmaktadır. Bu araştırmada, 6 farklı çalışma frekansında, 0.27 mm, 0.08 mm ve 0.1 mm şerit kalınlığındaki %3 SiFe elektrik çeliklerinden sarılmış, farklı boyutlardaki toroid çekirdekler kullanılmıştır. Deneysel ölçümleri önceden yapılmış olan bu çekirdeklerin, dış çap, iç çap, şerit genişliği ve şerit kalınlığı gibi geometrik boyutları, çalışma frekansı ve manyetik akı yoğunluğu değerleri Yapay Sinir Ağının öğrenme evresinde giriş verisi olarak; güç kaybı ve manyetik geçirgenlik ise çıkış verisi olarak kullanılmıştır. Daha sonra ağ, geometrik boyutları öğrenme veri aralığı içinde ve dışmda olan, ağın daha önce öğrenmediği çekirdeklerle test edilmiştir. Test sonrası Yapay Sinir Ağından elde edilen güç kayıpları deneysel güç kayıpları ile %99.94' e kadar, manyetik geçirgenlik %99.69' a kadar uyumlu bulunmuştur. Güç kaybı ve manyetik geçirgenliğe geometrik faktörlerin (dış çap, iç çap, şerit genişliği ve şerit kalınlığı), frekans ve manyetik akı yoğunluğunun etkisi tartışılmıştır. Oluşturulan Yapay Sinir ağı ile uzun deneysel ölçmelere gerek kalmadan, geometrik boyudan, istenilen frekans ve manyetik akı yoğunluğu değerleri ağa giriş verisi olarak verilerek, toroidin güç kaybı ve manyetik geçirgenliği önceden tahmin edilebilir. Bu durumun transformatör tasarımcıları ve transformatör çekirdeği üreticileri için, iş gücü ve zamandan tasarruf edip, maliyeti azaltması ve rekabeti arttırması sebebiyle önemi büyüktür.

A widely used Artificial Neural Network (ANN) is successfully applied to predict performance of toroidal cores such as power loss and relative permeability. In this investigation varied geometrical size toroidal cores made from 0.27 mm thick grain oriented 3%SiFe (M4), 0.08 mm and 0.1 mm thin gauge magnetic strips at 6 different induction frequencies have been used. The input parameters were outer diameter, inner diameter, strip width, strip thickness, frequency and magnetic induction where as the output parameters were power loss and relative permeability. After the network was trained by the experimental data measured previously, the samples which dimensions were in the range and out of the range of trained data were tested. These samples were not included in the training data. The estimated results for power loss and relative permeability from the ANN were found to be 99.94% and 99.64% agreement with experimental measurements respectively. The effect of geometrical factors on power loss and relative permeability has been discussed. The power loss and relative permeability can be predicted by the ANN with the geometrical dimensions, frequency and magnetic induction as an input data without any measurements. The importance of this research is great for transformer designers and core producers. Because it can be provided saving the labour and time and hence reducing cost of the core and increasing competition.