深度算子网络（DeepONet）技术通过三步法，为解决电磁轨道发射中的速度趋肤效应难题提供了新方案。这个技术把发射参数与计算域进行了解耦处理，让发射性能不受具体条件限制。团队用有限元法生成了磁场数据集，为模型训练打下了基础。然后设计了非堆叠型网络架构，分支网络负责编码发射参数，主干网络则处理时空坐标。这种设计让模型在训练区间内的相对L2误差降到了0.43%，泛化预测误差也控制在0.74%以内，单次预测耗时缩短到了865秒。 对于暂态磁场计算，团队在分支网络中引入了时间变量。这样模型在动态过程中仍能保持0.724%的预测误差，响应速度也只有87秒。敏感性分析显示，网络规模对性能有双重影响：适当增加神经元数量可以提升学习能力，但若过度扩展就会导致过拟合。这给后续自动超参数优化提供了理论依据。 电磁轨道发射是一种颠覆传统火炮的新型武器系统，初速度可达1-3公里每秒。它通过平行导轨间强电流产生的反向磁场与电枢相互作用，把电磁能转化为弹丸动能。其核心部件包括导轨、脉冲电源、电枢及弹丸。不过，电流与磁场分布特性对发射性能和设备寿命至关重要，特别是速度趋肤效应导致的电磁场畸变问题长期制约着技术突破。传统数值算法如有限元法虽然能进行磁场分布分析，但存在显著局限：当发射参数调整时，需重新构建计算模型，导致参数优化效率低下。 在实时模拟和数字孪生等新兴应用场景中，传统方法难以满足毫秒级响应需求。针对这一难题，研究团队创新性地引入了DeepONet技术。这项发表于《电工技术学报》的研究成果标志着我国在电磁发射基础理论研究领域取得重要进展。它不仅为电磁轨道发射的实时仿真提供了高效工具，也在参数优化设计领域开辟了新路径。 目前团队正探索自动机器学习技术以实现网络结构的智能调优。这项工作得到了国家自然科学基金等多个项目资助。研究指出主干网络与分支网络存在最优规模差异，这为后续自动超参数优化提供了理论依据。团队通过对比验证证明新方法的有效性。这种快速计算模型能够把训练区间内相对L2误差仅控制在0.43%，泛化预测误差也在0.74%以内，单次预测耗时缩短至865秒。 对于暂态磁场计算难题，研究团队在分支网络中引入时间变量使得模型在动态过程模拟中仍保持0.724%的预测误差和87秒的响应速度。敏感性分析揭示了网络规模对模型性能的双重影响：适当增加神经元数量可提升学习能力，但过度扩展会导致过拟合。目前团队正探索自动机器学习技术来实现网络结构的智能调优。 这个技术把发射参数与计算域进行了解耦处理彻底摆脱了传统方法对具体发射条件的依赖。它不仅为电磁轨道发射的实时仿真提供了高效工具也在参数优化设计领域开辟了新路径其毫秒级响应能力为数字孪生建模奠定了计算基础。