Outils et méthodes intelligentes pour les radiosciences>
AI-Driven Electromagnetic Modeling of Cable Harnesses: From RLGC Matrix Prediction to Crosstalk Estimation
Haï Meïr Alezra  1, *, @  , Houssem Chebbi  1, *, @  , Jérôme Morio  2, *, @  
1 : DEMR, ONERA, Université de Toulouse [Toulouse]  -  Site web
ONERA, Communauté d'universités et établissements de Toulouse
31000 Toulouse -  France
2 : DTIS, ONERA, Université de Toulouse [Toulouse]  -  Site web
ONERA, Communauté d'universités et établissements de Toulouse
31000 Toulouse -  France
* : Auteur correspondant

We propose a physics-aware graph neural network to accelerate the electromagnetic modeling of complex cable harnesses in aeronautical systems. By representing wiring bundles as graphs and embedding relevant physical constraints, the framework is intended to efficiently predict coupling-related per-unit-length parameters and to generalize to previously unseen, high-dimensional configurations.

Type : : Oral
Langue du texte intégral : anglais
Thématiques : Session "Apport des méthodes avancées à la Modélisation"
Mots-Clés : Compatibilité électromagnétique ; Lignes de transmission multiconducteurs ; Graph ; neural networks ; Physics aware neural network ; Deep learning
Licence du fichier : Copyright (Tous droits réservés)
Chargement... Chargement...