AI 仿真加速

前段时间看到一组行业数据：电磁仿真软件市场2025年估摸有28.7亿美元，2026年预计到34亿美元，年增速大概18.5%。低频电磁仿真这块，2024年大概30.6亿元人民币，到2030年估摸接近66.1亿元。市场在涨，但做过电磁仿真的同行都知道，有限元算磁场精度是可以，就是太慢了——特别是非线性工况，现有快速算法精度又不够。

最近翻到一篇2025年发表在《电工技术学报》上的论文，重庆大学司马文霞团队的，讲的就是怎么用深度学习来补这块短板。论文标题直接点题：《计及铁心非线性的变压器空间动态磁场加速计算方法》。

这篇的思路很清晰。他们先搭了一个三相变压器的场路耦合仿真模型，把工频过电压、直流偏磁、励磁涌流这些典型的非线性工况都扫了一遍，拿到了大量磁场数据。然后，把主磁通和漏磁通拆成两个数据集——这一步有讲究，因为主磁通和漏磁通分布差异很大，放在一起训效果不好。接下来，搞了一个CNN+LSTM的双分支网络，分别去学这两组数据的空间特征和时间特征。训完之后，模型就能直接从输入电压、电流映射到内部的磁场分布了。

论文数据表明：单个时间步的磁场分布计算，大概只要0.04秒，相比有限元仿真缩了一大截。三相变压器模型预测的主磁通和漏磁通误差分别是0.04T和0.9mT，相对误差都在5%以内。单相试验变压器漏磁通的均方根误差分别是0.1mT（径向）和0.05mT（轴向），跟峰值的比值都在10%以内。

主磁通误差0.04T，拿三相变压器额定工况下的主磁通峰值来算，相对误差压在5%以内，在工程上已经能满足很多在线监测场景的使用要求了。单相试验变压器的数据则更有参考价值：漏磁通径向RMSE 0.1mT、轴向0.05mT，跟各自方向峰值的比值都在10%以内。有意思的是，主磁通和漏磁通的预测精度差了一个数量级——0.04T对0.9mT——这主要是因为主磁通和漏磁通在铁心内的空间分布差异很大，漏磁通沿铁心外廓分布、幅值本身就低，训起来更难收敛。司马文霞团队的应对办法是把数据集拆开、用CNN+LSTM双分支网络分别去学，从结果来看，这个策略是管用的。

0.04秒一帧这个速度，放在变压器数字孪生的语境下说，基本上就打通了“秒级仿真”的通道。数字孪生也好，在线状态监测也好，说到底最吃紧的环节就是在有限元上——传统方法算一轮磁场分布，动辄几十秒甚至分钟级，根本跟不上实时反馈的节奏。现在这条路跑通了，后面就可以接更多东西，比如磁滞建模、电磁-热耦合、故障状态下的磁场反演等等。2025年7月，MDPI Sensors上也发表过一篇变压器励磁涌流工况下用深层神经网络预测磁场的论文，效果类似：模型预测平均绝对百分比误差4.02%，单次预测0.41秒，比传统有限元快了约46.68倍。

当然也不能光看数字好看。这种深度网络模型目前还是“专网专用”的路子——针对某一台变压器、某几类工况训出来的模型，换个铁心结构、换个电压等级，泛化能力就要重新评估。另外，这个加速倍数是在实验室条件下用特定算力平台跑出来的结果，真正部署到现场环境里，推理速度还受限于边缘侧的计算资源。

业内对这条路的前景还是普遍看好的。特变电工2026年2月发布的“面向智能运维的数字孪生变压器智能巡检系统”需求里，也把多物理场秒级仿真列为第一个核心技术指标，明确要求实现电场、磁场、温度、力场的秒级计算与三维动态可视化。总的来说，AI加速这个方向，在变压器、电机这些低频电磁设备上，已经从“能不能做”的阶段走到了“能不能用起来”的阶段，后面看的是工程化落地到什么程度。