电子推进

对电动机设计优化的数据驱动的替代模型的评论

摘要 - 电动机是电子推进系统的核心组成部分之一，在该行业中起着至关重要的作用。电动机的最佳设计提出了一个复杂的非线性问题，通常会挑战传统方法，以在准确性和效率之间取得平衡。实现准确的分析和整体优化通常需要大量的计算要求，尤其是在与大型个人打交道时。结果，研究人员开始探索数据驱动的替代模型来解决这一困境的利用。本评论论文着重于研究用于构建数据驱动的替代模型的领先技术，以协助和促进电动机的设计优化过程。这些技术包括统计模型，机器学习模型，深度学习模型和其他基于人工智能的技术。本文对基本原则进行了全面的调查，并提供了利用这些不同模型的研究的详细示例。此外，这些模型的性能和潜力都以评论为强调，从而阐明了它们各自的优势和局限性。此外，讨论了在此主题下提出的研究挑战，并有望在此主题下进行改进的途径。索引术语 - 手工智能，数据驱动的模型，深度学习，电动机，机器学习，优化，替代模型。