Operadores Neurais de Fourier aplicados à modelagem direta e inversa de histerese magnética gerada pelo modelo LLP
A modelagem da histerese magnética é fundamental para o projeto e análise de dispositivos eletromagnéticos. Modelos clássicos, como Jiles-Atherton e Preisach, descrevem com fidelidade os laços , mas envolvem solução de equações integrodiferenciais ou estruturas de memória complexas. O modelo LLP, aqui revisitado, oferece uma descrição algébrica com apenas quatro parâmetros independentes, preservando propriedades essenciais como memória de retorno, wiping-out e acomodação. Em paralelo, operadores neurais, e particularmente o Operador Neural de Fourier (FNO), surgiram como uma classe de arquiteturas profundas capazes de aprender mapeamentos entre espaços de funções, com a propriedade de invariância à discretização. Esta tese investiga o uso de FNOs como surrogates da relação produzida pelo modelo LLP, com ênfase em curvas de reversão de primeira ordem (FORCs). São abordados tanto o problema direto, , quanto o problema inverso, , evidenciando vantagens em generalização, custo de inferência e suavidade espectral em relação a arquiteturas recorrentes.