QUÉ DEMUESTRA ESTE CASO
La ejecución registrada demuestra que el código publicado puede aproximar sus ecuaciones simplificadas incluidas en una muestra aleatoria reservada de la misma distribución sintética. No establece una aceleración frente al simulador, precisión en otra fuente de datos ni un diseño listo para hardware.
La pregunta de ingeniería
Dado un punto de operación y una inductancia de un Buck síncrono, ¿puede un modelo supervisado estimar las pérdidas totales del convertidor y el rizado pico a pico de la corriente del inductor dentro de un dominio de diseño documentado? El objetivo es demostrar el flujo completo del sustituto, no reemplazar ecuaciones que ya son económicas y están disponibles.
El dominio de diseño sintético
| Entrada | Columna CSV | Intervalo muestreado | Unidad |
|---|---|---|---|
| Tensión de entrada | vin_v | 12–60 | V |
| Tensión de salida | vout_v | 3,3 a mín(24, 0,85 Vin) | V |
| Corriente de salida | iout_a | 0,5–15 | A |
| Frecuencia de conmutación | fsw_hz | 50.000–500.000 | Hz |
| Inductancia | inductance_h | 10–150 | µH |
El muestreo es uniforme para tensión y corriente, y log-uniforme para frecuencia e inductancia. Se rechazan los puntos cuyo rizado supera la corriente de salida para mantener este ejemplo didáctico, de forma conservadora, dentro de CCM.
Los objetivos son loss_w y ripple_current_a. Los parámetros de pérdidas, genéricos y fijos, no están vinculados a una referencia comercial.
El proceso reproducible
- Define el dominio de entrada y las magnitudes que se van a estimar.
- Genera filas sintéticas de referencia con una semilla aleatoria fija.
- Valida los nombres de columna, los valores numéricos, los signos y la relación de tensiones del Buck.
- Reserva el 20 % de las filas y entrena regresores independientes de gradient boosting con histogramas.
- Informa de cada salida por separado y conserva las predicciones reservadas.
- Mide una curva de aprendizaje frente a un conjunto de prueba invariable.
- Filtra candidatos dentro de los límites de entrenamiento registrados y después devuélvelos al método fuente.
Resultados reservados
La ejecución registrada usa la semilla 42, 16.000 filas de entrenamiento y 4.000 filas reservadas. Los valores siguientes proceden del informe versionado, no de una estimación comercial.
| Objetivo | R² | MAE | MAPE | Percentil 95 del APE |
|---|---|---|---|---|
| Pérdidas totales | 0.9996 | 0.0348 W | 1.52% | 4.77% |
| Corriente de rizado | 0.9943 | 0.0644 A | 5.58% | 15.55% |
El rizado es claramente el objetivo más débil. Informar de ambos objetivos por separado evita que la estimación más sólida de pérdidas oculte esa diferencia.
La curva de aprendizaje responde a la cuestión del número de filas
| Objetivo | MAPE con 10.000 filas de entrenamiento | MAPE con 16.000 filas de entrenamiento |
|---|---|---|
| Pérdidas totales | 1.60% | 1.53% |
| Corriente de rizado | 5.96% | 5.64% |
Las filas adicionales siguen ayudando, pero con rendimientos decrecientes. Esto no respalda ni un mínimo universal de 10.000 filas ni una garantía universal de 20.000. Un nuevo conjunto de simulador o laboratorio necesita su propia curva, análisis de cobertura y pruebas agrupadas.
Tiempo de inferencia sin inventar una aceleración
Una ejecución nativa de Python predijo 10.000 filas con una mediana de 28,7 ms en 15 repeticiones, aproximadamente 2,87 µs por fila. La medición excluye la entrada y salida CSV y no se comparó con un simulador. La ejecución en el navegador tiene un entorno distinto y debe medirse por separado antes de afirmar rendimiento en el navegador.
Sustituye el generador por datos de SPICE, PLECS o experimentales
Exporta un punto de operación válido en régimen permanente por fila utilizando las mismas siete columnas numéricas. Conserva case_id y source como campos de trazabilidad. Las simulaciones fallidas deben ir en un registro de fallos separado, no como etiquetas de valor cero.
- Convierte los valores a las unidades SI documentadas antes de exportarlos.
- Conserva el esquema de simulación, el código de extracción, el estado del solver y la ventana de medida.
- Agrupa los puntos de operación repetidos según el diseño físico o la campaña que debe permanecer sin verse.
- Vuelve a comparar los diseños preseleccionados en el simulador o laboratorio original.
Limitaciones y siguiente evidencia
- El generador omite la dinámica térmica, la saturación magnética, los parásitos del layout y la dinámica del lazo de control.
- Los regresores independientes no imponen todas las relaciones físicas entre las salidas.
- Los límites mín./máx. de entrenamiento son un aviso útil, no una detección completa de datos fuera de distribución.
- La ejecución de referencia reproducida no incluye comparación con simulador ni hardware.
La siguiente publicación valiosa sería un conjunto versionado de datos de simulador con identidades de diseño agrupadas, evidencia de extracción y al menos una región donde el sustituto cambie la prioridad de simulación.