使用深度学习设计薄型宽带电磁吸收器,具有极化和角度不敏感性
Atefe Shahsavaripour1, Mohammad Hossein Badiei1, Ahmad Kalhor1
1Electrical and Computer Engineering, College of Engineering, University of Tehran, Tehran, 1417614411, Iran.
Scientific reports
|March 20, 2025
概括
本研究介绍了一种使用生成对抗网络 (GAN) 来设计薄,宽带元材料吸收器的AI驱动方法. 这种新的方法在8-12 GHz范围内实现了90%以上的吸收率,适合大规模生产.
科学领域:
- 电磁超材料 电磁超材料
- 在工程领域的人工智能.
- 微波吸收器技术 微波吸收器技术
背景情况:
- 超材料吸收器是薄而轻的,但通常具有狭窄的带宽,对极化和入射角度敏感.
- 以往扩大带宽的方法对于实用,可批量生产的设备而言,成功程度有限.
- 开发宽带,极化不敏感和耐角度的薄型超材料吸收器仍然是一个重大挑战.
研究的目的:
- 设计一种基于超材料的新型,薄型,宽带吸收器,覆盖8-12GHz频率范围.
- 利用人工智能进行高效的设计和预测电磁响应.
- 创建一个实用且可批量生产的宽带吸收器解决方案.
主要方法:
- 使用生成对抗网络 (GAN) 进行结构设计和参数估计.
- 采用多层感知器 (MLP) 网络作为模拟器来预测电磁反应.
- 训练有素的GAN和MLP网络使用数值全波电磁模拟作为基础真相.
主要成果:
- 在整个8-12GHz频率范围内实现了90%以上的吸收率.
- 对于 TE 和 TM 两种极化和 0-45 度的撞击角度都证明了有效性.
- 通过数值模拟和实验测量验证了设计.
结论:
- 由人工智能驱动的方法可以快速设计具有高吸收率的最佳超材料结构.
- 设计的吸收器具有宽带性能,极化独立性和角度耐受性.
- 该结构与印刷电路板 (PCB) 技术的兼容性确保其适合大规模生产.
