3. 电磁性能仿真模型构建与验证
电磁性能参数化优化设计的第一步，是让仿真模型能够可信地替代真实器件。如果模型本身不可信，后续的优化算法只是在错误的目标函数上寻找“最优解”。本节以典型电磁器件——E 型磁芯功率电感为例，完整走通“几何建模→材料赋值→边界与激励设置→网格划分→求解→解析解/实验数据验证”的建模链路，并给出可复用的验证判据。
一、三种数值方法的选择依据
电磁仿真常用的三类方法各有适用边界，选错方法会导致建模成本剧增或精度不足。
| 方法 | 求解对象 | 典型适用场景 | 本例适用性 |
|---|---|---|---|
| 有限元法 FEM | 偏微分方程弱形式，频域/时域 | 复杂几何、非线性材料、多物理场耦合 | 首选，可处理磁芯饱和与气隙 |
| 矩量法 MoM | 积分方程，表面电流/电荷 | 开放域辐射、天线、金属散射体 | 不适用（磁芯为体材料） |
| 时域有限差分 FDTD | 时域麦克斯韦方程差分 | 宽带瞬态、波传播、超材料 | 可选，但气隙网格代价高 |
本例器件工作在几十 kHz 至数百 kHz，磁芯为高磁导率铁氧体，含分布式气隙，属于低频准静态磁场问题。因此选择二维轴对称有限元法，求解量取磁矢势 Az，后处理得到电感 L 与磁通密度 B。
二、参数化几何与材料赋值
参数化建模的核心是把所有可变尺寸写成变量，而不是在 CAD 中硬编码。本例定义以下参数（示例值，非实测）：
core_outer_R = 12.5 mm # 磁芯外半径
core_inner_R = 6.0 mm # 磁芯内半径（中柱）
core_height = 8.0 mm # 单侧磁芯高度
gap_total = 0.4 mm # 总气隙（中柱）
turns_N = 30 # 绕组匝数
wire_d = 0.8 mm # 漆包线直径
mu_r = 2200 # 铁氧体初始相对磁导率
材料赋值需注意两点：一是磁芯的 B-H 曲线应使用非线性单值曲线或考虑损耗的复数磁导率；二是绕组铜导体在低频下可简化为均匀电流密度区域，无需引入趋肤效应。气隙区域赋值为空气（μr=1），这是储能的主要位置。
三、边界条件、激励与网格策略
二维轴对称模型中，对称轴 r=0 施加齐次狄利克雷边界（Az=0），远场边界采用气球边界或无限元以模拟开放空间。激励方式有两种：
- 电流激励：在绕组区域施加总电流 I，适合计算电感与饱和特性；
- 电压激励：外电路耦合，适合计算阻抗频率特性。
网格划分遵循“气隙加密、磁芯适中、空气稀疏”的原则。气隙厚度仅 0.4 mm，至少需要 3～4 层单元跨越，因此气隙处最大单元尺寸设为 0.1 mm；磁芯内部可放宽至 0.8 mm；外部空气域按几何增长率 1.3 向外扩展。网格收敛性通过能量误差判据检查：当两次加密后磁场能量变化小于 1% 时认为网格收敛。
四、解析解验证：磁路法快速校核
在投入实验之前，先用磁路法给出量级正确的解析解，是成本最低的验证手段。忽略边缘磁通时，电感近似为：
L = N² · μ₀ · Ae / (le/μr + lg)
其中：
Ae = 中柱截面积 = π·(6mm)² ≈ 113.1 mm²
le = 等效磁路长度 ≈ 2×(8+6) mm = 28 mm
lg = 总气隙 = 0.4 mm
μ₀ = 4π×10⁻⁷ H/m
代入：
le/μr = 0.028/2200 ≈ 1.27×10⁻⁵ m
lg = 4.0×10⁻⁴ m
分母 ≈ 4.13×10⁻⁴ m
L = 900 × 4π×10⁻⁷ × 1.131×10⁻⁴ / 4.13×10⁻⁴
≈ 118 μH
有限元仿真得到 L≈121 μH，比解析解高约 2.5%，差异主要来自气隙边缘扩散磁通和绕组窗口内的漏磁。这一偏差量级符合预期，说明模型没有出现量级错误。
五、实验数据验证与偏差归因
解析解只能验证量级，最终可信度必须由实验数据支撑。使用 LCR 表在 100 kHz、小信号条件下测量样机电感，得到 L≈124 μH。仿真与实测偏差约 2.4%，在工程可接受范围内。若偏差超过 5%，应按以下顺序排查：
- 材料参数：实测磁芯的初始磁导率是否与赋值一致，铁氧体批次差异可达 ±20%；
- 气隙尺寸：装配后气隙是否因胶层或研磨公差偏离设计值；
- 绕组几何：实际绕组的填充率和平均匝长是否与模型简化一致；
- 测量条件：LCR 表的测试频率、电平是否与仿真工况对应。
六、从验证模型到参数化优化
模型通过验证后，即可将几何参数（如气隙 lg、匝数 N、中柱半径）设为设计变量，以电感值、磁通密度峰值、损耗为响应目标，开展参数扫描或优化算法迭代。此时每一次参数变更都复用同一套已验证的网格与边界设置，保证优化过程中物理模型的一致性。
本节以 E 型磁芯电感为例，完成了从方法选择、参数化建模、网格策略到解析解与实验双重验证的完整链路。核心结论是：仿真模型的可信度不来自软件本身，而来自与独立参照物的一致性检验。只有通过验证的模型，才值得投入计算资源进行参数化优化。