Otimização de projetos de antenas microstrip: simulação de células metamateriais SRR com machine learning
The design of microstrip antennas is widely documented in the literature and presents good results when an antenna is manufactured. However, since the technology includes low efficiency and limited bandwidth, it is often necessary to optimize the design without altering its physical dimensions to me...
| Autor principal: | Vaz, Renan Machado Alves |
|---|---|
| Grau: | Monografia |
| Idioma: | pt_BR |
| Publicado em: |
Universidade Federal do Tocantins
2020
|
| Assuntos: | |
| Acesso em linha: |
http://hdl.handle.net/11612/1880 |
| id |
ir-11612-1880 |
|---|---|
| recordtype |
dspace |
| spelling |
ir-11612-18802020-03-10T06:01:04Z Otimização de projetos de antenas microstrip: simulação de células metamateriais SRR com machine learning Vaz, Renan Machado Alves Araújo, Humberto Xavier de Microstrip antenas. Metamaterials. Machine learning. Antenas de microfita. Metamateriais. Aprendizagem de máquina. CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA The design of microstrip antennas is widely documented in the literature and presents good results when an antenna is manufactured. However, since the technology includes low efficiency and limited bandwidth, it is often necessary to optimize the design without altering its physical dimensions to meet the requirements of the application. One way to achieve this is given by materials engineering: an application of metamaterials. Metamaterials are materials with remarkable electrical characteristics. When applied to antennas, the electromagnetic radiation behaves differently than expected, improving its specs, hence the performance, without altering the size. However, the geometry of the metamaterial cells and their array makes the analytical development of the resultant electromagnetic field equations more complex, becoming unworkable. Telecommunication engineers deal with this problem by designing an antenna with a metamaterial array based on computationally expensive and time-consuming electromagnetic simulations. With the popularization of data science libraries such as scikit-learn, pytorch, tensorflow, and others, this work aims to allow the optimization of antenna designs through development of predictive machine learning models to beat the computational costs of a microwave simulator optimization. O projeto de antenas de microfita é amplamente documentado pela literatura e oferece bons resultados quando a antena é fabricada. Entretanto, como essa arquitetura inclui baixa eficiência e largura de banda limitada, muitas vezes é preciso otimizar o projeto sem alterar as dimensões físicas da antena a fim de atender os parâmetros especificados da aplicação. Uma forma de conseguir isso é dada pela engenharia de materiais: a aplicação de metamateriais. Metamateriais são materiais com características elétricas notórias. Quando aplicados em antenas, eles fazem com que a radiação eletromagnética se comporte de uma maneira diferente do esperado, melhorando as especificações, e consequentemente o desempenho, sem alterar o tamanho. Todavia, a geometria das células metamateriais e o seu arranjo tornam o desenvolvimento analítico das equações dos campos eletromagnéticos resultantes muito complexo, se tornando impraticável. Engenheiros de telecomunicações tratam esse problema projetando a antena e os arranjos com base em simulações eletromagnéticas computacionalmente trabalhosas e demoradas. Com a popularização de bibliotecas de ciência de dados como scikit-learn, pytorch, tensorflow, dentre outras, esse trabalho visa desenvolver modelos preditivos de aprendizagem de máquina para contornar os custos computacionais que um simulador de dispositivos de micro-ondas consome na otimização de projetos de antenas de microfita através de arranjos metamateriais. 2020-03-09T21:16:31Z 2020-03-09T21:16:31Z 2020-03-09 Monografia VAZ, Renan Machado Alves. Otimização de projetos de antenas microstrip: simulação de células metamateriais SRR com machine learning. 48 f. Monografia (Graduação) – Engenharia Elétrica, Universidade Federal do Tocantins, Palmas, 2019. http://hdl.handle.net/11612/1880 pt_BR Acesso livre application/pdf Universidade Federal do Tocantins Palmas CURSO::PALMAS::PRESENCIAL::BACHARELADO::ENGENHARIA ELÉTRICA Palmas Graduação |
| institution |
Repositório Institucional - Universidade Federal do Tocantins - UFT |
| collection |
RepositorioUFT |
| language |
pt_BR |
| topic |
Microstrip antenas. Metamaterials. Machine learning. Antenas de microfita. Metamateriais. Aprendizagem de máquina. CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
| spellingShingle |
Microstrip antenas. Metamaterials. Machine learning. Antenas de microfita. Metamateriais. Aprendizagem de máquina. CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Vaz, Renan Machado Alves Otimização de projetos de antenas microstrip: simulação de células metamateriais SRR com machine learning |
| topic_facet |
Microstrip antenas. Metamaterials. Machine learning. Antenas de microfita. Metamateriais. Aprendizagem de máquina. CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
| description |
The design of microstrip antennas is widely documented in the literature and presents good results when an antenna is manufactured. However, since the technology includes low efficiency and limited bandwidth, it is often necessary to optimize the design without altering its physical dimensions to meet the requirements of the application. One way to achieve this is given by materials engineering: an application of metamaterials. Metamaterials are materials with remarkable electrical characteristics. When applied to antennas, the electromagnetic radiation behaves differently than expected, improving its specs, hence the performance, without altering the size. However, the geometry of the metamaterial cells and their array makes the analytical development of the resultant electromagnetic field equations more complex, becoming unworkable. Telecommunication engineers deal with this problem by designing an antenna with a metamaterial array based on computationally expensive and time-consuming electromagnetic simulations. With the popularization of data science libraries such as scikit-learn, pytorch, tensorflow, and others, this work aims to allow the optimization of antenna designs through development of predictive machine learning models to beat the computational costs of a microwave simulator optimization. |
| author_additional |
Araújo, Humberto Xavier de |
| author_additionalStr |
Araújo, Humberto Xavier de |
| format |
Monografia |
| author |
Vaz, Renan Machado Alves |
| title |
Otimização de projetos de antenas microstrip: simulação de células metamateriais SRR com machine learning |
| title_short |
Otimização de projetos de antenas microstrip: simulação de células metamateriais SRR com machine learning |
| title_full |
Otimização de projetos de antenas microstrip: simulação de células metamateriais SRR com machine learning |
| title_fullStr |
Otimização de projetos de antenas microstrip: simulação de células metamateriais SRR com machine learning |
| title_full_unstemmed |
Otimização de projetos de antenas microstrip: simulação de células metamateriais SRR com machine learning |
| title_sort |
otimização de projetos de antenas microstrip: simulação de células metamateriais srr com machine learning |
| publisher |
Universidade Federal do Tocantins |
| publishDate |
2020 |
| url |
http://hdl.handle.net/11612/1880 |
| _version_ |
1787134838018408448 |
| score |
11.755432 |