Geri Dön

Machine learning based design of gap waveguides

Makine öğrenmesi tabanlı boşluk dalga kılavuzu tasarımı

PDF İndir

  1. Tez No: 737761
  2. Yazar: UĞUR ALKAŞI
  3. Danışmanlar: PROF. DR. MEHMET ÇAYÖREN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Telekomünikasyon Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 112

Özet

Kablosuz ağ teknolojilerinin gelişimi ve bu teknolojilere artan talep mühendisleri daha yüksek frekanslarda tasarım yapmaya teşvik etmektedir. Endüstri 4.0, otonom araçlar, 5G ve starlink gibi uzay uygulamaları anlık olarak yüksek veri transferine ihtiyaç duydukları için gigabit ve terabit iletim sistemlerine doğru bir popülarite oluşmaktadır. Artan veri transferi talebi hali hazırda kullanılan frekans spektrumunu yetersiz duruma ve daha yüksek frekanslara doğru bir tasarım ve araştırma eğilimi oluşmasına neden olmuştur. Yüksek frekanslarında bambaşka tasarımsal zorlukları mevcuttur. Yüksek frekans sistemlerin donanım maliyetleri şirketler için büyük bir problem olarak görünmektedir. Veri iletimindeki RF bileşenler için düşük maliyetli ve az kayıplı yapılar kullanılmalıdır. Dalga kılavuzu ve mikroşerit hatlar yüksek frekanslarda bu sistemlerin gereksinimlerini karşılayamamaktadır. Araştırmacılara göre gap waveguide yapılar bu gereksinimleri karşılayacaktır. Gap waveguide tarzı artificial magnetic conductor yapılarının hem analizi hem de tasarımı zor ve EM Simülatörlerde maxwell çözümleri oldukça zaman almaktadır. Genel olarak maxwell çözümleri hangi EM yapısı olursa olsun çözümleri oldukça zaman almaktadır. Bu yüzden hızlı çözüm için araştırmacılar makine öğrenmesi gibi farklı çalışma alanlarından faydalanmaktadırlar. Bu çalışma da bu amaç doğrultusunda hazırlanmış olup gap waveguide yapıları için bir makine öğrenmesi tabanlı çalışma sunmaktadır. Bu tezin amacı, özellikle gap waveguide için Antenna Magus gibi çalışsan bir sistem oluşturmaktır. Antenna Magus, geometrik boyut giriş bilgisine bağlı olarak sistemin aktif olarak çalıştığı frekans aralığını belirleyen veya frekans giriş bilgisine bağlı olarak antenin boyutlarını belirleyen kullanışlı bir programdır. Bu tezde, anten magusunda olduğu gibi, frekans girişine bağlı olarak boyutları belirlemek veya boyut girişine bağlı olarak EBG yapısının stap bandını bulan bir makine öğrenmesi çalışması yapmaktır. CST Studio Suite veya diğer EM araçları, bir boşluk dalgası kılavuzu tasarlarken veya analiz ederken maxwell denklemlerini çözer. Ancak maxwell çözümü çok zaman alan ve uzun vadeli bir süreçtir. Bu tez çalışmasında makine öğrenmesi sistemi ile frekans ve büyüklük arasındaki ilişkiyi maxwell çözümü yapmadan kurmak ve bu işlemi daha kısa sürede yapmaktır. Tezin ilk aşamasında gap waveguide yapıları hakkında var olan çalışmalar incelenmiş ve gap waveguide tarihçesi ve literatürdeki durumu anlatılmaktadır. PMC özellikli malzeme şu anda doğada bulunmamakta olup periyodik metal pimler veya metamalzeme gibi yapılar ile PMC'nin aynı karakteristik özellikleri ile oluşturulabilir. PMC'ye yakın görünen bu malzemeye Yapay Manyetik İletken (AMC) denir. Bir Gap Waveguide yapısında, AMC'nin etkin olduğu periyodik dokulu alt kısımda hiçbir mod yayılmayacaktır. Bunun nedeni, bu malzemenin durdurma bandını oluşturacak düzeyde yüksek bir yüzey empedansına sahip olmasıdır. Elektromanyetik bant aralığı yapılarının tasarımı, yapıyı oluşturan tek bir elemanın dağılım diyagramının optimizasyonu ile başlar. Dağılım diyagramı, elektromanyetik alanın EBG yapısından geçerken maruz kaldığı faz farkını sembolize eder. x ve y yönlerinde sonsuz sayıda periyodik yapı olarak kabul edilir ve bu yapının sadece bir elemanı üzerinde analizler yapılır. Yani yapı x ve y yönlerinde periyodik olduğundan ve z yönlerinde periyodiklik olmadığından elektrik alan sıfıra eşit alınır. x ve y yönlerinde periyodik olduğu için Brillouin Zonu olarak kabul edilebilir. Üçgen bölge, bu tür periyodik yapılarda yayılımın hangi frekanslar arasında bastırıldığını hesaplamak için kullanılan en küçük alan olarak kabul edilir. Belirli parametrelerin artması veya azalmasının etkileri CST Microwave Studio'da analiz edilmiştir. Analiz yönteminde Eigenmode Çözücü kullanılmıştır. Eigenmode Solver, metamalzemeler ve EBG gibi büyük periyodik yapıları herhangi bir bağlantı noktası gerektirmeden analiz etmek için Krylov Altuzay yöntemini (AKS) ve Jacobi-Davidson yöntemini (JDM) birleştiren bir 3 boyutlu simülasyon aracı olarak kullanılmıştır. Ardından gap waveguide'ı oluşturan unit cell' in dispersiyon diyagramında pim yarıçapı, pim yüksekliği, periyot ve gap height parametrelerindeki değişikliklerin Mod-1 ve Mod-2 frekanslarına etkisi analiz edilmiştir. Python Orange programında veri seti kullanılmak üzere CST Studio Suite programında parametrik sweep yapılmıştır. Oluşan datalar makine öğrenmesi programına uygun hale getirilmiştir. Makine öğrenmesi algoritmaları araştırılmış ve Python Orange programı üzerinde deneme çalışmaları yapılmıştır. Makine öğrenmesi algoritmalarıyla tez çalışması gerçekleştirilmiştir. * k-Nearest Neighbourhood Algorithm (k-NN), * Adaptive Boosting Algorithm (AdaBoost), * Neural Network Algorithm, * Gradient Boosting Algorithm, * Random Forest Algorithm, * Support Vector Machine (SVM) Algorithm, Tezin ikinci aşamasında ise ilk olarak Python Orange programında bu veri seti makine öğrenmesi algoritmalarıyla unit cell' e ait pin yarıçapı, pin yüksekliği, periyot ve boşluk yüksekliği parametrelerinin bilgileri sistemin girişi olarak ayarlanır, Mod-1 ve Mod-2 frekansları sistemin çıkışı olarak alınmıştır. Başka bir deyişle, sistemin boyut parametreleri ile çıktı parametrelerinin bilgileri arasında bir regresyon çalışması yapılmıştır. Böylece rastgele boyut bilgisinin girildiği algoritmaların bu boyutlarını sağlayan bir birim hücrenin stop bant frekansları bulunmuştur. Bu çalışmada Random Forest, Tree, Gradient Boosting, AdaBoost, kNN, Neural Network ve SVM algoritmaları ve regresyon çalışmaları ile tahminler yapılmıştır. Mode-1 frekansı için Gradient Boost algoritmasının ve Mode-2 frekansı için AdaBoost algoritmasının en iyi sonuçları verdiği görülmüştür. Sonra, sistemin girişi olarak Mod-1 ve Mod-2 frekans bilgisi belirlenmiş ve unit cell'i oluşturan pin yarıçapı, pin yüksekliği, periyot ve boşluk yüksekliği parametreleri sistemin çıktısı olarak yapılandırılmıştır. Böylece sistemin girişi olan durdurma bandı frekans bilgisi (Mod-1 ve Mod-2 frekansları) ile çıkışı olan boyut parametreleri arasında bir regresyon çalışması yapılmıştır. Bu şekilde sisteme rastgele girilen Mod-1 ve Mod-2 frekanslarını en iyi sağlayabilen birim hücrenin boyut parametreleri bulunmuştur. Bu çalışmada Random Forest, Tree, Gradient Boosting, AdaBoost, kNN, Neural Network, SVM, Stokastik Gradient Descent ve Lineer Regresyon algoritmaları ile regresyon çalışmaları yapılmıştır. Bu çalışmanın sonunda da pim yüksekliği ve boşluk yüksekliği için en iyi sonuçları Gradient Boost, pim yarıçapı ve pim periyodu için en iyi sonuçları Random Forest algoritması vermiştir. Her iki çalışmada parametrik sweep ile üretilen veri setinin %75'i algoritmaları eğitmek, geri kalan %25'i ise algoritmaları test etmek için kullanılmıştır. Daha sonra algoritmaların learning rate, yöntemi ve tree değerleri değiştirilerek algoritma optimizasyon süreci gerçekleştirilmiştir. İlk olarak kNN algoritmasında metrik sistemi değiştirilerek başlanılmış ve sonra da komşuluk sayıları değiştirilerek optimizasyon yapılmıştır. Gradient Boosting algoritmasında tree sayısının, learning rate değerleri ve metodu değiştirişerek bu değişimlerin etkileri gözlenmiştir. Adaboost algoritmasında learning rate ve tree değerleri, neural network algoritmasında node ve katman sayıları değiştirilerek optimizasyon yapılmıştır. Bu çalışmaların doğrulanması ile ilgili ilk olarak, giriş olarak boyut parametreleri ve çıkış olarak Mod-1 ve Mod-2 frekansları ile çalışma ile başlamıştır. Ardından makine öğrenme sistemine verilen rastgele girdi olarak Mod-1 ve Mod-2 frekanslarının çıktısı olarak boşluk yüksekliği, pin yarıçapı, yükseklik ve periyot parametreleri elde edilmiştir. Her iki çalışmada da elde edilen sonuçlar CST Studio Suite'te analizleri yapılmış olup elde edilen sonuçların makine öğrenmesi algoritmalarından elde edilen sonuçlarla benzer olduğu gözlemlenmiştir. Boyut parametrelerinin giriş ve stopband frekanslarının çıkış olduğu durumda mode-1 frekansı için en iyi sonucu gradient boosting, mode-2 frekansı içinse en iyi sonuç adaboost algoritmasından elde edilmiştir. Girişin stopband frekansları olduğu ve çıkışın boyut parametreleri olduğu durumda pin ve gap yüksekliği için en iyi algoritma gradient boosting, pin period ve pin yarıçapı için en iyi sonuç veren algoritma ise random forest algoritması olduğu görülmüştür. Tezin son aşamasında ise full model ile CST Studio Suite programında analiz yapılmıştır. Analiz sonucunda elde edilen veriler çalışmayı destekler niteliktedir.

Özet (Çeviri)

The development of wireless network technologies and the increasing demand for these technologies encourage engineers to design at higher frequencies. As industry 4.0, autonomous vehicles, space applications such as 5G and starlink require instantaneous high data transfer, there is a popularity towards gigabit and terabit transmission systems. The increasing demand for data transfer has caused the frequency spectrum currently used to be insufficient and a design and research trend towards higher frequencies has emerged. There are different design difficulties at high frequencies. Hardware costs of high frequency systems seem to be a big problem for companies. Low cost and low loss structures should be used for RF components in data transmission. Waveguide and microstrip lines cannot meet the requirements of these systems at high frequencies. According to the researchers, gap waveguide structures will meet these requirements. Gap waveguide-style artificial magnetic conductor structures are difficult to analyze and design, and maxwell solutions in EM Simulators take a lot of time. In general, maxwell solutions take a lot of time, regardless of EM structure. Therefore, researchers benefit from different fields of study such as machine learning for a quick solution. This study has been prepared for this purpose and presents a machine learning-based study for gap waveguide structures. In the first stage of the thesis, existing studies about gap waveguide structures are examined and the history of gap waveguide and its status in the literature are explained. Then, the effects of changes in pin radius, pin height, period and gap height parameters on Mod-1 and Mod-2 frequencies in the dispersion diagram of the unit cell that make up the gap waveguide were analyzed. In order to use the data set in Python Orange program, parametric sweep was made in the CST Studio Suite program. The resulting data has been adapted to the machine learning program. Machine learning algorithms were researched and trial studies were conducted on the Python Orange program. In the second stage of the thesis, firstly, in the Python Orange program, the information of the unit cell's pin radius, pin height, period and gap height parameters are set as the input of the system with this data set machine learning algorithms, Mode-1 and Mode-2 frequencies are taken as the output of the system. In other words, a regression study was conducted between the size parameters of the system and the information of the output parameters. Thus, the stop band frequencies of a unit cell that provides these dimensions of the algorithms in which random size information is entered have been found. In this study, predictions were made with Random Forest, Tree, Gradient Boosting, AdaBoost, kNN, Neural Network and SVM algorithms and regression studies. It was seen that Gradient Boost algorithm for Mode-1 frequency and AdaBoost algorithm for Mode-2 frequency gave the best results. Then, Mod-1 and Mod-2 frequency information was determined as the input of the system, and the pin radius, pin height, period and gap height parameters that make up the unit cell were configured as the output of the system. Thus, a regression study was carried out between the stopband frequency information (Mode-1 and Mode-2 frequencies), which is the input of the system, and the dimension parameters, which are the output. In this way, the size parameters of the unit cell that can best provide the Mode-1 and Mode-2 frequencies randomly entered into the system have been found. In this study, regression studies were performed with Random Forest, Tree, Gradient Boosting, AdaBoost, kNN, Neural Network, SVM, Stochastic Gradient Descent and Linear Regression algorithms. At the end of this study, Gradient Boost gave the best results for pin height and gap height, and Random Forest algorithm gave the best results for pin radius and pin period. In both studies, \%75 of the data set produced by parametric sweep was used to train the algorithms and the remaining \%25 was used to test the algorithms. Then, the algorithm optimization process was carried out by changing the learning rate, method and tree values of the algorithms. First, the kNN algorithm was started by changing the metric system, and then the optimization was made by changing the neighborhood numbers. The effects of these changes were observed by changing the number of trees, learning rate values and method in the Gradient Boosting algorithm. Optimization was made by changing the learning rate and tree values in the Adaboost algorithm, and the number of nodes and layers in the neural network algorithm. Regarding the validation of these studies, firstly, it started with working with dimension parameters as input and Mode-1 and Mode-2 frequencies as output. Then, gap height, pin radius, height and period parameters were obtained as the output of Mod-1 and Mod-2 frequencies as random inputs to the machine learning system. The results obtained in both studies were analyzed in CST Studio Suite and it was observed that the results obtained were similar to the results obtained from machine learning algorithms. In the last stage of Thesis, analysis was made with the full model in the CST Studio Suite program. The data obtained as a result of the analysis supports the study.

Benzer Tezler

  1. Tez No

    901564

    Mimari tasarımda yapay zekâ yaklaşımı: Makine öğrenmesi ile mekân işlevlerinin tanınması ve üretken çekişmeli ağlarla mimari plan üretimi

    Artificial intelligence approach in architectural design: Recognition of space functions with machine learning and architectural plan generation with generative adversarial networks

    BERFİN YILDIZ

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    PROF. DR. GÜLEN ÇAĞDAŞ

    DR. ÖĞR. ÜYESİ İBRAHİM ZİNCİR

  2. Tez No

    863735

    Performance of laminated glass subjected to blast and impact loading

    Patlama ve darbe yüklemesine maruz kalan lamine camın yapısal performansı

    MOHELDEEN HEJAZI

    Doktora

    İngilizce

    İngilizce

    2024

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ SARI

  3. Tez No

    877814

    Machine learning analysis on nanomaterials literature data and knowledge exploration

    Makine öğrenimi ile nanomalzeme literatür verisinin analizi ve bilgi keşfi

    CUMHUR YILDIRIM

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Nanobilim ve Nanomühendislik Ana Bilim Dalı

    PROF. DR. NİLGÜN BAYDOĞAN

  4. Tez No

    848925

    Use of assistive technologies for people with visual impairment: Smart glove design for clothing field

    Görme engelliler için yardımcı teknolojilerin kullanımı: Giyim alanına yönelik akıllı eldiven tasarımı

    BAŞAK SÜLLER ZOR

    Doktora

    İngilizce

    İngilizce

    2024

    Endüstri Ürünleri Tasarımıİzmir Ekonomi Üniversitesi

    Tasarım Çalışmaları Ana Bilim Dalı

    DOÇ. DR. ARZU VURUŞKAN GÜNDOĞAN

  5. Tez No

    816363

    Building, analyzing and interpreting classroom engagement: Apps and machine-learning models for an affordable programming education

    Sınıfiçi angajmanın oluşturulması, analizi ve yorumlaması: Ulaşılabilir bir programlama eğitimi için uygulamalar ve makine öğrenmesi modelleri

    ALPAY SABUNCUOĞLU

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. TEVFİK METİN SEZGİN

Geri Dön