6 Minute
Noul design bazat pe învățare automată stabilizează transferul wireless de energie
Cercetători din Japonia au introdus o metodă de proiectare bazată pe învățare automată pentru sistemele de transfer wireless de energie (WPT) care menține tensiunea de ieșire stabilă chiar și atunci când sarcina electrică se modifică. Publicat în iunie 2025 în IEEE Transactions on Circuits and Systems, studiul descrie un proces de proiectare care realizează sisteme WPT independente de sarcină (LI) — hardware care susține o eficiență mare a transferului și fluctuații minime ale tensiunii indiferent de dispozitivul alimentat. Această pătrundere abordează o limitare centrală a sistemelor actuale de încărcare wireless și a alimentării rezonante și ar putea accelera adoptarea pe scară largă în electronica de consum, senzori medicali, vehicule electrice și aplicații industriale.
Context științific: rezonanță, sarcini și de ce contează stabilitatea
Cum funcționează transferul de energie wireless rezonant
Sistemele WPT folosesc, de regulă, cuplare inductivă rezonantă: un emițător alternează energia între un condensator și un inductor pentru a genera un câmp electromagnetic la o frecvență țintă. Un receptor acordat la aceeași frecvență intră în rezonanță cu acel câmp, permițând captarea eficientă a energiei. Principiul este similar cu modul în care un radio sau un televizor selectează și amplifică o frecvență de emisie specifică.
Problema dependenței de sarcină
Majoritatea sistemelor WPT practice sunt dependente de sarcină: performanța lor — tensiunea livrată și eficiența transferului — se modifică pe măsură ce caracteristicile electrice ale receptorului variază. Încărcarea unei baterii este un exemplu clar: rezistența internă a unei baterii variază în timpul încărcării, ceea ce poate provoca oscilații de tensiune într-un sistem WPT dependent de sarcină. Baterii mari pentru vehicule electrice sau implanturi biomedicale variabile pot provoca schimbări de sarcină și mai mari. Fluctuațiile de tensiune pun în pericol dispozitivele, încetinesc încărcarea și reduc eficiența energetică.
Învățarea automată aplicată proiectării circuitelor și sistemelor
Noua tehnică construiește un model virtual al unui sistem WPT și folosește inteligența artificială pentru a rula simulări repetate. AI evaluează metrici de performanță precum energia disipată sub formă de căldură, stabilitatea formei de undă la ieșire și eficiența totală a transferului. Prin optimizare iterativă bazată pe încercare și eroare, algoritmul identifică valorile componentelor, parametrii de control și condițiile de operare care minimizează variația tensiunii și disiparea de energie, în timp ce maximizează eficiența.
Conform lucrării, sistemul LI optimizat prin ML a redus fluctuațiile de tensiune la aproximativ 5% versus 18% în proiecte comparabile dependente de sarcină. Eficiența transferului a crescut la 86,7% în configurația optimizată, comparativ cu sisteme care pot scădea până la aproximativ 65% eficiență când sunt supuse la încărcări variabile.
Descoperiri cheie și implicații practice
Descoperirea principală este că optimizarea automată, bazată pe date, poate produce hardware WPT și strategii de control care sunt, în mod inerent, mai puțin sensibile la schimbările de sarcină. Autorul principal Hiroo Sekiya de la Graduate School of Advanced Integration Science a Universității Chiba a subliniat obiectivele practice: "Suntem încrezători că rezultatele acestei cercetări reprezintă un pas semnificativ către o societate cu adevărat wireless. În plus, datorită funcționării independente de sarcină, sistemul WPT poate fi construit într-un mod simplu, reducând astfel costul și dimensiunea. Scopul nostru este ca WPT să devină comun în următorii 5 până la 10 ani."
Sistemele WPT independente de sarcină ar putea simplifica proiectarea stațiilor de încărcare wireless, ar reduce necesitatea unei reglări active complexe în receptoare și ar face livrarea energiei wireless mai fiabilă pentru aplicații critice, cum ar fi dispozitivele medicale implantabile și încărcarea vehiculelor electrice unde sarcinile variază puternic.
Tehnologii conexe și rolul AI în electronica de putere
Această lucrare ilustrează o tendință mai amplă: aplicarea învățării automate pentru optimizarea circuitelor și a sistemelor de electronice de putere. Sinteza de circuite asistată de AI și reglarea parametrilor pot reduce timpul de proiectare, pot descoperi soluții nonintuitive și pot muta domeniul către proiectarea automată a circuitelor. Integrarea cu control adaptiv, gemeni digitali și senzori în timp real ar putea îmbunătăți în continuare performanța și siguranța rețelelor WPT implementate.
Perspective de specialitate
Dr. Maya Patel, o ingineră fictivă în sisteme de electronice de putere care a lucrat la subsisteme de alimentare pentru nave spațiale, comentează: "Atingerea independenței față de sarcină în transferul wireless rezonant este un reper semnificativ. Pentru aplicații spațiale și terestre deopotrivă, cu cât proiectanții trebuie să facă mai puține presupuneri despre sarcină, cu atât sistemul devine mai robust și mai flexibil. Optimizarea prin învățare automată poate dezvălui puncte de funcționare și legi de control pe care proiectanții umani le pot trece cu vederea, esențiale atunci când ai nevoie atât de eficiență, cât și de fiabilitate."
Perspective viitoare și provocări
ÎNAINTE ca WPT independent de sarcină să devină răspândit, rămân numeroase probleme tehnice și de reglementare. Scalarea metodei la distanțe mai mari și niveluri de putere mai ridicate — cum ar fi cele necesare pentru încărcarea vehiculelor sau dronelor — ridică probleme legate de gestionarea termică și compatibilitatea electromagnetică. Limitele de siguranță privind expunerea umană la câmpuri electromagnetice, standardele pentru interoperabilitate între emițătoare și receptoare și reducerea costurilor de fabricație vor influența, de asemenea, adoptarea. Cu toate acestea, câștigurile raportate în eficiență și reducerea variabilității tensiunii sugerează că proiectarea condusă de ML poate face încărcarea wireless mai sigură, mai compactă și mai economică.
Concluzie
Metoda de învățare automată dezvoltată de cercetători japonezi generează sisteme wireless de energie independente de sarcină care reduc substanțial fluctuațiile de tensiune și cresc eficiența transferului. Combinând principiile transferului rezonant cu optimizarea asistată de AI, lucrarea indică direcția către o încărcare wireless mai robustă, compactă și accesibilă pentru electronice de consum, vehicule electrice și dispozitive medicale. Pe măsură ce proiectarea de circuite ghidată de AI se maturizează, instrumentele automate ar putea accelera tranziția către un ecosistem energetic mai wireless și mai eficient.
Sursa: livescience
Comentarii