SHAPによる深層学習説明性を併用したIPMSMのトポロジー最適化

カテゴリ: 研究会(論文単位)

論文No: SA22080,RM22083

グループ名: 【B】電力・エネルギー部門 静止器/【D】産業応用部門 回転機合同研究会

発行日: 2022/09/26

タイトル(英語): Topology optimization of IPMSM with simultaneous use of deep learning explainability by SHAP

著者名: 佐々木 秀徳(法政大学)

著者名(英語): Hidenori Sasaki(Hosei University)

キーワード: ＳＨａｐｌｅｙ　Ａｄｄｉｔｉｖｅ　ｅｘＰｌａｎａｔｉｏｎｓ|畳込みニューラルネットワーク|モータ|トポロジー最適化|遺伝的アルゴリズム|SHapley Additive exPlanations|Convolutional Neural Network|Motor|Topology Optimization|Genetic Algorithm

要約(日本語): 深層学習の説明性をトポロジー最適化における進化計算に援用した形状最適化手法を提案する。本手法では畳込みニューラルネットワークの根拠説明手法の一つであるSHapley Additive exPlanations (SHAP)を用いる。_x000D_ SHAPによる説明結果を進化計算における交叉手法へ反映させることにより，トポロジー最適化の探索性能向上を図る。本発表では提案手法をIPMSMへ適用し，有用性を議論する。

要約(英語): The new topology optimization method using an explainable deep neural network is proposed. The proposed method uses the SHapley Additive exPlanations (SHAP), which explains the reason for estimating the convolutional neural network. In the algorithm of the proposed method, the explanatory results from SHAP are reflected in the crossover method in evolutionary computation in order to improve the search performance of topology optimization. The proposed method is applied to Interior Permanent Magnet Synchronous Motor, and the availability of the method is discussed.

本誌: 2022年9月29日-2022年9月30日静止器/回転機合同研究会-2

本誌掲載ページ: 1-6 p

原稿種別: 日本語

PDFファイルサイズ: 1,565 Kバイト