Durch maschinelles Lernen unterstütztes Metamaterial

Wissenschaftliche Berichte Band 12, Artikelnummer: 12354 (2022) Diesen Artikel zitieren

3653 Zugriffe

11 Zitate

4 Altmetrisch

Details zu den Metriken

Das Antennendesign hat sich von sperrigeren zu kleinen tragbaren Designs weiterentwickelt, es besteht jedoch Bedarf an einem intelligenteren Antennendesign unter Verwendung von Algorithmen für maschinelles Lernen, das der heute stark wachsenden Nachfrage nach intelligenten und schnellen Geräten gerecht werden kann. Hier in dieser Forschung liegt der Schwerpunkt auf der Entwicklung eines intelligenten Antennendesigns mithilfe von maschinellem Lernen, das in mobilen 5G-Anwendungen und tragbaren Wi-Fi-, Wi-MAX- und WLAN-Anwendungen anwendbar ist. Unser Design basiert auf dem Metamaterial-Konzept, bei dem der Patch mit einem Split-Ring-Resonator (SRR) abgeschnitten und geätzt wird. Die hohe Verstärkungsanforderung wird durch Hinzufügen von Metamaterial-Superstraten mit dünnen Drähten (TW) und SRRs erfüllt. Die Rekonfigurierbarkeit wird durch das Hinzufügen von drei PIN-Diodenschaltern erreicht. Durch das Hinzufügen von Superstratschichten im Bereich von einer Schicht bis zu vier Schichten mit abwechselnden TWs und SRRs wurden mehrere Designs beobachtet. Das TW-Metamaterial-Superstrat-Design mit zwei Schichten bietet die beste Leistung in Bezug auf Verstärkung, Bandbreite und Anzahl der Bänder. Das Design wird durch die Änderung der physikalischen Parameter des Pfades optimiert. Um die Simulationszeit zu verkürzen, wird ein auf Extra Tree Regression basierendes maschinelles Lernmodell verwendet, um das Verhalten der Antenne zu lernen und den Reflexionswert für einen breiten Frequenzbereich vorherzusagen. Experimentelle Ergebnisse belegen, dass die Verwendung des auf der Extra Tree Regression basierenden Modells zur Simulation des Antennendesigns die Simulationszeit und den Ressourcenbedarf um 80 % reduzieren kann.

Die Antennenentwicklung hat sich von sperrigeren Designs zu tragbaren Designs mit geringem Gewicht entwickelt. Für den Einsatz in tragbaren Geräten ist ein miniaturisiertes Design mit geringem Gewicht und geringer Größe erforderlich. Die miniaturisierten Antennendesigns haben den Nachteil eines geringeren Gewinns, der untersucht werden muss. Dieser Nachteil kann durch die Einbeziehung von Metamaterialien in das Antennendesign behoben werden1. Es gibt mehrere Versuche, den Gewinn durch die Einbeziehung von Metamaterialien, die Anwendung von Mäandern usw. zu verbessern, aber es gibt immer noch Spielraum für eine weitere Verbesserung durch den Einsatz ähnlicher Techniken. Darüber hinaus muss die Neukonfiguration in mehreren Anwendungen wie WiMAX, WLAN, 5G usw. anwendbar sein2,3. Diese Neukonfiguration kann durch Schalten mit HF-MEMS-Schaltern, PIN-Dioden usw. realisiert werden.4,5.

Metamaterialien sind künstliche Materialien, die Eigenschaften wie negative Permittivität und Permeabilität verleihen, die mehrere Parameter der Antenne verbessern6. SRR und TWs sind die beiden effektiven Strukturen, die häufig zur Integration von Metamaterialien in das Antennendesign verwendet werden7. Ein komplementäres SRR wird auch zum Ätzen der Grundebene verwendet, was verschiedene Parameter der Patch-Antenne8 verbessert. Yuan et al. präsentierte eine chiralitätsunterstützte Phase mit vielversprechenden Fortschritten bei rekonfigurierbaren Strahlantennen9. Zhang und Co-Autoren entwickelten zwei Wirbelstrahlgeneratoren mit potenzieller Anwendung in Orbital-Drehimpuls-Kommunikationssystemen10. Metamaterial-Antennen sind in verschiedenen Anwendungen wie Wi-Fi, WLAN, Wi-MAX, tragbaren Geräten usw. anwendbar. Metamaterialien sind auch nützlich, um eine Strahlabtastung zu erreichen, die Verstärkung zu verbessern, die Größe zu reduzieren, Mehrfrequenzbetrieb usw. Metamaterial-Superstrat wird zu a hinzugefügt einfache Mikrostreifen-Patchantenne zur Verbesserung des Antennengewinns11. Mit Metamaterial beladene Vivaldi-Antennen mit hoher Verstärkung können für Bildgebungsanwendungen eingesetzt werden12. Mit Metamaterial beladene Antennen werden bei der Entwicklung tragbarer Geräte verwendet13,14. Das Scannen des Strahlungsstrahls ist beim Entwurf von Antennen sehr wichtig und dieses Scannen kann durch Metamaterialantennen erreicht werden15. Die Antennengröße kann auch durch das Laden von Metamaterialien in die Antenne reduziert werden16.

Superstrat-Metamaterial kann verwendet werden, um den Gewinn der Antenne zu verbessern. Über dem Mikrostreifen-Patch werden nacheinander Superstrate gestapelt, um den Gewinn zu verbessern und das Strahlungsverhalten der Antenne zu verbessern. Saravanan et al. stellte eine Metamaterial-gestützte Superstrat-Antenne für moderne drahtlose Anwendungen vor, die den höchsten Gewinn von 7,94 dB mit einem Reflexionskoeffizienten von −28,64 dB bei 2,4 GHz erreicht17. Patel und Co-Autoren stellten eine auf Mikrostreifen basierende Struktur mit erhöhter Verstärkung her, die als Einheitsblock eines Radarsystems für Überwachungsanwendungen genutzt werden kann18. Ojo et al. berichteten über eine MIMO-Array-Antenne zur Verbesserung von Gewinn und Bandbreite, wobei die Bandbreite um 12,45 % verbessert wurde19. Sumathi und Co-Autoren entwickelten eine auf Metamaterial-Superstrat basierende Mikrostreifen-Patchantenne mit Pin-Dioden als Schaltmechanismus für Anwendungen in drahtlosen Netzwerkgeräten für C/X/Ku-Band20.

Das Schalten von Antennenstrukturen kann durch den Einbau von PIN-Dioden erfolgen. Diese PIN-Dioden können „ein“ oder „aus“ sein, um die Neukonfiguration in Frequenz und Strahlungsmuster zu erreichen. Aufgrund ihrer geringen Einfügungsdämpfung, günstigen Kosten, starken Schalteigenschaften und hohen Isolation sind PIN-Dioden die beste Wahl für rekonfigurierbare Antennen21. Um die Rekonfigurierbarkeit zu gewährleisten, kann eine PIN-Diode verwendet werden, um verschiedene Teile des Patches zu verbinden und so die Länge des Schlitzes zu ändern. Um eine bessere Verstärkungsreaktion zu erzielen, wird auch ein anders geformtes Patch verwendet22,23. Aufgrund ihrer geringeren Größe, ihres besseren Gewinns und eines ähnlichen Strahlungsmusters wird die rekonfigurierbare Antenne häufiger verwendet als die Multiband-Antenne24. Zwei PIN-Dioden werden verwendet, um eine rekonfigurierbare Antenne zu schaffen, die einen hohen Gewinn, geringe Rückflussverluste und ein hervorragendes Strahlungsmuster für WiMax/WiFi-Anwendungen bietet25. Die Ergebnisse von Pixelantennen werden verglichen und untersucht, was zu einem zufriedenstellenden Frequenzgang führt26,27. Um ein geeignetes Muster zu erzeugen, soll die einzelne PIN-Diode in zwei unterschiedlichen Modi bei unterschiedlichen Frequenzen wirken. Sie werden unter anderem in Elementen wie kognitiven Funksystemen, Satellitenanwendungen, biomedizinischen Anwendungen und Filtern eingesetzt28,29. Durch Drehen der EIN/AUS-Schlitze kann das Strahlungsmuster geändert werden. Rekonfigurierbare Antennen sind klein und einfach herzustellen30.

Maschinelles Lernen (ML) kann angewendet werden, um das Verhalten verschiedener Parameter elektronischer und photonischer Systeme vorherzusagen oder vorherzusagen. ML kann auch verwendet werden, um die Reflexionsreaktion der photonischen Geräte zu beobachten, vorherzusagen und vorherzusagen31,32,33,34. Misilmani überprüfte ML-Anwendungen für Antennendesigns unter Verwendung von Regressionsmodellen35. Bessa und Co-Autoren verwendeten ML auch für das Design von Metamaterialien zur Anpassung der Zieleigenschaften, der Auswahl des Basismaterials und des Herstellungsprozesses36. Deringer berichtet, wie ML den Zugriff auf wichtige Simulationen ermöglicht, die das gleiche Maß an Präzision erreichen, aber hunderte Male schneller sind37.

In diesem Artikel haben wir ein neues ML-basiertes Antennendesign entwickelt, das nicht nur Rekonfiguration, hohe Verstärkung und Multiband-Antwort bietet, sondern auch das Verhalten der Antenne mithilfe von ML-Algorithmen vorhersagt. Den Entwurf und seine Modellierung haben wir in Abschn. 2. Die Mess- und Simulationsergebnisse werden in Abschn. 1 dargestellt und mit Fertigungsergebnissen verglichen. 3. Die ML-Verhaltensvorhersage zur Verkürzung der Simulationszeit ist in Abschn. 3 verfügbar. 4 im Anschluss an die Schlussbemerkungen in Abschn. 5.

Wir haben verschiedene Superstrat-Antennenstrukturen vorgeschlagen und ihre Darstellung ist in Abb. 1 dargestellt. Mehrere Strukturen, einschließlich einer 6 × 5 TW-Einzelschichtstruktur, einer 6 × 5 TW-Doppelschichtstruktur, einer 6 × 5 TW-Dreischichtstruktur und einer 6 × 5 TW-Vierschichtstruktur Schichtstruktur entworfen. Bei allen diesen Designs handelt es sich bei der Basisschicht um eine Patch-Struktur auf Split-Ring-Basis. Die 3D-Ansicht und die Draufsicht der Split-Ring-basierten Patch-Struktur mit den Schaltern S1, S2 und S3 sind in Abb. 1a und Abb. 1b verfügbar. Das PIN-Diodenmodell wird in ergänzendem Material als Abb. S17 dargestellt und seine Eigenschaften stammen aus 20. Der Einspeisepunkt ist auch in Abb. 1b dargestellt. Wie in Abb. 1a dargestellt, werden die Patch-Struktur auf Split-Ring-Basis und die Erdungsschicht der Patch-Antenne aus Kupfermaterial hergestellt und das Substrat besteht aus Fr4-Material. Die Dicke der Grundschicht und der SRR-Struktur beträgt 0,35 mm. Die Dicke der Fr4-Substratschicht beträgt 1,5 mm. Die Gesamtlänge und die Breite der Struktur, L und B, betragen 84 mm bzw. 64 mm. Die Länge und Breite einer Patchantenne, PL und PW, betragen 74 mm bzw. 54 mm. Die Innen- und Außenlänge der Split-Ring-Patch-Struktur, X1 und X2, wird bei 25 mm bzw. 15 mm gehalten. Der Spaltringspalt des SRR wird auf 3 mm gehalten. Der Abstand zwischen der Patch-Schicht und der ersten Superstrat-Schicht (DL) beträgt 10 mm und der Abstand zwischen zwei aufeinanderfolgenden Superstrat-Schichten (DC) beträgt 6 mm, wie in Abb. 1f dargestellt. Die 6 × 5 TW-Doppelschicht- und die 6 × 5 TW-Vierschichtstruktur sind in Abb. 1c bzw. e dargestellt. Der Durchmesser D des Kreises TW beträgt 2,5 mm, wie in Abb. 1h dargestellt. Daneben haben wir auch die dreischichtige SRR-Struktur entworfen, gefolgt von der Patch-Antenne auf Split-Ring-Basis, wie in Abb. 1d dargestellt. Das Maß an Substratdicke und Patchstruktur wird konstant gehalten. Die Breite von SRR, WS beträgt 3 mm und der Abstand zwischen zwei aufeinanderfolgenden SRR, DS beträgt 3 mm, wie in Abb. 1g dargestellt. Der Spaltringspalt und die Dicke des SRR werden bei 3 mm bzw. 0,35 mm gehalten. Der Abstand zwischen zwei aufeinanderfolgenden horizontalen und vertikalen TW beträgt 12 nm bzw. 10 nm. Zur Unterstützung der mehrschichtigen 3D-Drucker werden Hohlkästen entsprechender Dicke hergestellt und zu Testzwecken genutzt. Für diese Stützkästen wird Kunststoffmaterial ausgewählt, um eine Beeinträchtigung des Strahlungsfeldes der Antenne zu vermeiden. Um die Rekonfigurierbarkeit der Frequenz zu erreichen, verwendeten wir eine PIN-Diode als Schalter, um die Ladungsverteilung im Patch zu modifizieren. Für die Anregung des vorgeschlagenen Designs wird eine koaxiale Einspeisung verwendet. Die dreipolige Diode verbindet zwei Teile des Patchbereichs und ist in der Mitte der c-förmigen Linien positioniert.

Verschiedene Strukturen vorgeschlagener Antennendesigns (a) Patch-Struktur mit mithilfe von Pin-Dioden formulierten Schaltern, (b) Draufsicht der Patch-Struktur (c) 3D-Ansicht einer 6 × 5 TW-Doppelschichtstruktur, gefolgt von einer Patch-Schicht, (d ) 3D-Ansicht eines dreischichtigen SRR, gefolgt von einer Patch-Schicht, (e) 3D-Ansicht einer 6 × 5 TW-Vierschichtstruktur, gefolgt von einer Patch-Schicht, (f) Vorderansicht eines dreischichtigen SRR, gefolgt von einer Patch-Schicht, (g) Draufsicht auf SRR, (h) Draufsicht auf 6 × 5 TW-Schicht.

Der Reflexionskoeffizient (S11) und der Transmissionskoeffizient (S21) spielen eine wichtige Rolle bei der Bestimmung der Wellenimpedanz (z) und des Brechungsindex (n), wie in den Gleichungen beschrieben. (1–2). Die Gleichungen für die Permittivität (\(\varepsilon\)) und die Permeabilität (\(\mu\)) des Metamaterials sind in den Gleichungen enthalten. (3–4) abgeleitet aus der Impedanz und dem Brechungsindex.

wobei die Wellenzahl durch k dargestellt wird und die Dicke der Schicht durch d bezeichnet wird.

Unser Design basiert auf dem Metamaterial-Konzept, bei dem der Patch abgeschnitten und mit einem SRR geätzt wird, der die gemeinsame Basisschicht für alle sechs Antennen-Superstrat-Strukturen darstellt. Die hohe Verstärkungsanforderung wird durch Hinzufügen von Metamaterial-Superstraten mit TWs und SRRs erfüllt. Die Metamaterialeigenschaften des einschichtigen 6 × 5 TW-Musters werden in ergänzendem Material als Abb. S18 dargestellt und es ist ersichtlich, dass der Brechungsindex dieser Schicht den negativen Brechungsindex erreicht, der die Metamaterialeigenschaften validiert. Die Rekonfigurierbarkeit wird durch das Hinzufügen von drei PIN-Diodenschaltern S1, S2 und S3 erreicht, deren Diagramme in Abb. 2 für zwei Modi (EIN und AUS) dargestellt sind. Die entwickelte Antenne wird für 1–7 GHz beobachtet und zur Vereinfachung und klaren Rekonfigurationsanalyse haben wir die Ergebnisse in drei Frequenzbänder unterteilt, wie wir in Abb. 2a – c sehen können. Von 1,3 bis 1,8 GHz im Ausschaltmodus wird die höchste Reflexionsreaktion von −25,27 dB bei 1,539 GHz erreicht, und im Einschaltmodus rekonfiguriert sich die Frequenz auf 1,569 GHz, und die Reflexionsreaktion wird ebenfalls auf −27,11 dB erhöht, wie in Abb . 2a. Von 1,9 bis 2,1 GHz erreichen wir im Einschaltmodus einen Reflexionsgrad von –17,79 dB bei 2,006 GHz und im Ausschaltmodus einen erhöhten Reflexionsgrad von –24,82 dB bei der neu konfigurierten Frequenz von 2,022 GHz, wie in Abb. 2b dargestellt. Für 2,2–2,6 GHz im Ausschaltmodus erreichten wir die höchste Reflexionsreaktion von –16,23 dB bei 2,348 GHz, und für den Einschaltmodus ändert sich die Frequenz auf 2,434 GHz, und die Reflexionsreaktion wird ebenfalls auf –17,99 dB verbessert, wie gezeigt in Abb. 2c.

Simulierte Ergebnisse der Reflexionsreaktion (S11) für Schaltszenarien von Drei-Pin-Dioden für 1,9 GHz bis 5,4 GHz (a) für 1,3 GHz bis 1,8 GHz, die Frequenz ändert sich von 1,539 GHz auf 1,569 GHz (b) für 1,9 GHz bis 2,1 GHz, Die Frequenz ändert sich von 2,006 GHz auf 2,022 GHz. (c) Bei 2,2 GHz auf 2,6 GHz ändert sich die Frequenz von 2,348 GHz auf 2,434 GHz.

Für diese Forschungsarbeit haben wir die Simulation von sechs Antennenstrukturen durchgeführt. Durch das Hinzufügen von Superstratschichten im Bereich von einer Schicht bis zu vier Schichten mit abwechselnden TWs und SRRs wurden mehrere Designs beobachtet. Die erste Struktur ist eine 6 × 5 TW-Einzelschicht, die über einer Basisschicht einer SRR-basierten Patchstruktur platziert ist. Die anderen drei Designs werden durch sukzessives Erhöhen der Schicht aus 6 × 5 TW-Muster auf bis zu vier Schichten nacheinander entworfen, wobei die Basisschicht erhalten bleibt Dasselbe. Die Reflexionsreaktion von 6 × 5 TW mit einer einschichtigen bis vierschichtigen Superstratstruktur ist in Abb. 3a, c, e, g dargestellt.

Simulierte Ergebnisse der Reflexionsreaktion (S11) und des 3D-Verstärkungspolarplots für verschiedene Superstratstrukturen (a) für eine einschichtige Superstratstruktur mit 6 × 5 TW werden fünf Frequenzbänder erreicht, (b) einschichtige Superstratstruktur mit 6 × 5 TW und einer Verstärkung von 3,58 dB, (c) für eine 6 × 5 TW-Doppelschicht-Superstratstruktur werden sechs Frequenzbänder erreicht, (d) 6 × 5 TW-Doppelschicht-Superstratstruktur mit einer Verstärkung von 15,57 dB, (e) für eine 6 × 5 TW-Dreischicht-Superstratstruktur, Es werden fünf Frequenzbänder erreicht, (f) 6 × 5 TW-Dreischicht-Superstratstruktur mit einer Verstärkung von 12,37 dB, (g) für 6 × 5 TW-Vierschicht-Superstratstruktur werden 5 Frequenzbänder erreicht. (h) 6 × 5 TW vierschichtige Superstratstruktur mit einer Verstärkung von 7,71 dB.

Das Reflexionsverhalten der einschichtigen Superstratstruktur mit 6 × 5 TW ist in Abb. 3a dargestellt. Wie wir sehen können, erhalten wir fünf Bänder und das höchste erreichte Reflexionsverhalten beträgt –24,05 dB bei 1,568 GHz mit der höchsten Bandbreite von 100 MHz. Für die 6 × 5 TW-Doppelschicht-Superstratstruktur beträgt der Reflexionsgrad –27,07 dB bei 1,07 GHz mit den sechs Frequenzbändern und der höchsten Bandbreite von 108 MHz, wie in Abb. 3c dargestellt. Der Reflexionsgrad der 6 × 5 TW-Dreischicht-Superstratstruktur ist in Abb. 3e dargestellt. Wie wir sehen können, haben wir fünf Bänder erreicht und der höchste erreichte Reflexionsgrad beträgt –27,18 dB bei 1,561 GHz mit der höchsten Bandbreite von 105 MHz. Für die 6 × 5 TW-Superstratstruktur mit vier Schichten beträgt der Reflexionsgrad –23,74 dB bei 1,555 GHz mit den fünf Frequenzbändern und der höchsten Bandbreite von 105 MHz, wie in Abb. 3f dargestellt.

Wir haben auch das Verstärkungspolardiagramm für diese vier Designs erstellt, das in Abb. 3b, d, f, h dargestellt ist. Die höchste Verstärkung beträgt 3,58 dB, 15,57 dB, 12,37 dB und 7,71 dB für 6 × 5 TW-Einschicht-Superstrat-, 6 × 5 TW-Doppelschicht-Superstrat-, 6 × 5 TW-Dreischicht-Superstrat- und 6 × 5 TW-Vierschicht-Superstrat-Strukturen , und das entsprechende 3D-Verstärkungspolardiagramm sind in Abb. 3b, d, f, h dargestellt. Aus der Reflexionsreaktion können wir also schließen: Nein. Die Anzahl der erreichten Bänder und die 3D-Verstärkungspolarplot-Ergebnisse zeigen, dass die 6 × 5 TW-Doppelschicht-Superstratstruktur vergleichsweise besser abschneidet als andere Strukturen.

Um eine optimiertere Struktur zu erhalten, haben wir außerdem mehrere weitere Designs simuliert und die Ergebnisse mit der 6 × 5 TW-Doppelschicht-Superstratstruktur verglichen. Wir haben das vierschichtige SRR, gefolgt von einer SRR-basierten Patchschicht und einer 6 × 5 TW-Einzelschichtstruktur simuliert, die auf einem dreischichtigen SRR gefolgt von einer SRR-basierten Patchschicht platziert ist, und die entsprechende Reflexionsreaktion ist in Abb. 4a, c, e dargestellt . Für vierschichtiges SRR, gefolgt von einer SRR-basierten Patchschicht, erreichten wir fünf Frequenzbänder mit dem höchsten Reflexionsgrad von –27,40 dB bei 1,573 GHz und der höchsten Bandbreite von 105 MHz, wie in Abb. 4a dargestellt. Für eine 6 × 5 TW-Einzelschichtstruktur, die auf einem dreischichtigen SRR platziert wurde, gefolgt von einer SRR-basierten Patchschicht, erreichten wir fünf Frequenzbänder mit dem höchsten Reflexionsgrad von –41,97 dB bei 1,518 und mit der höchsten Bandbreite von 110 MHz GHz, wie in Abb. dargestellt. 4c. Für die 6 × 5 TW-Doppelschicht-Superstratstruktur beträgt der Reflexionsgrad –27,07 dB bei 1,07 GHz mit den sechs Frequenzbändern und der höchsten Bandbreite von 108 MHz, wie in Abb. 4e dargestellt.

Simulierte Ergebnisse der Reflexionsreaktion (S11) und des 3D-Verstärkungspolardiagramms für verschiedene Superstrat-Strukturen (a) SRR-Vierschicht-Superstratstruktur, fünf Frequenzbänder werden erreicht, (b) für SRR-Vierschicht-Superstratstruktur wird die höchste Verstärkung von 8,49 dB erreicht, ( c) für SRR dreischichtig kombiniert mit 6 × 5 TW-Einzelschicht als oberste Schicht erhalten wir fünf Frequenzbänder, (d) für SRR dreischichtig kombiniert mit 6 × 5 TW-Einzelschicht als oberster Schicht, höchste Verstärkung von 1,49 dB erreicht wird, (e) für eine 6 × 5 TW-Doppelschicht-Superstratstruktur werden sechs Frequenzbänder erreicht. (f) Für eine 6 × 5 TW-Doppelschicht-Superstratstruktur wird die höchste Verstärkung von 15,57 dB erreicht.

Wir haben auch das Verstärkungspolardiagramm für diese drei Designs erstellt und die Ergebnisse sind in Abb. 4b, d, f dargestellt. Die höchste Verstärkung von 8,49 dB, 1,49 dB und 15,57 dB für vier Schichten SRR, gefolgt von einer SRR-basierten Patchschicht, 6 × 5 TW-Einzelschichtstruktur, platziert auf dreischichtigem SRR, gefolgt von einer SRR-basierten Patchschicht, und 6 × 5 TW Das Doppelschicht-Superstrat und das entsprechende 3D-Verstärkungspolardiagramm sind in Abb. 4b, d, f dargestellt. Aus der Reflexionsreaktion können wir also schließen: Nein. Die Anzahl der erreichten Bänder und die 3D-Verstärkungspolarplot-Ergebnisse zeigen, dass die 6 × 5 TW-Doppelschicht-Superstratstruktur auch vergleichsweise besser abschneidet als SRR-Strukturen. Darüber hinaus haben wir die Variation der Strukturparameter der SRR-basierten Patchstruktur durchgeführt und die entsprechenden Ergebnisse sind in den Abbildungen dargestellt. S1 und S2.

Um die Simulationsergebnisse zu validieren, haben wir alle Antennenstrukturen und die entsprechenden Antennenstrukturen mit Testeinrichtungen hergestellt. Die Vergleichsergebnisse sind in Abb. 5 dargestellt. Zur Herstellung der Patch-Struktur auf Split-Ring-Basis haben wir das kupferkaschierte laminierte Fr4-Doppel verwendet Die seitliche PCB-Blech- und Split-Ring-Struktur sowie die Einspeisung werden geätzt, indem das überschüssige Kupfermaterial von der oberen Schicht mit der FeCl3-Lösung entfernt wird. Die Platte wurde eine halbe Stunde lang in FeCl3-Lösung gelegt und die Patch-Struktur ist auf die gleiche Weise fertig, wie die übrigen Antennenstrukturen unter Verwendung der mit Fr4-Kupfer beschichteten laminierten einseitigen Leiterplatte hergestellt werden. Um eine Superstrat-Struktur herzustellen, mussten wir mehrere Stützkästen zwischen zwei aufeinanderfolgenden Superstrat-Schichten platzieren und diese mit dem 3D-Drucker für zwei Dickenwerte drucken, da die Dicke zwischen der Patch-Schicht und der ersten Superstrat-Schicht und zwei aufeinanderfolgenden Superstrat-Strukturen unterschiedlich ist. Die hergestellte Struktur einer SRR-basierten Patchschicht ohne Pin-Dioden und mit Pin-Dioden als Schaltmechanismus zur Erzielung einer Rekonfiguration ist in Abb. 5a bzw. b dargestellt. Abbildung 5c zeigt die hergestellte Struktur einer 6 × 5 TW-Doppelschicht-Superstratstruktur, die auf einer SRR-basierten Patchstruktur platziert ist, die mithilfe eines 3D-gedruckten weißen Hohlkastens unterschiedlicher Dicke getrennt ist, während Abb. 5d die hergestellte Struktur einer vierschichtigen SRR-Superstratstruktur darstellt, die auf einem SRR platziert ist basierende Patch-Struktur, getrennt durch die 3D-gedruckte weiße Hohlbox unterschiedlicher Dicke. Die Antenne wurde getestet, indem sie in der schalltoten Kammer platziert wurde, wie in Abb. 5e dargestellt. Die Reflexionsreaktion der vierschichtigen SRR-Superstratstruktur, die auf der SRR-basierten Patchstruktur platziert ist, wird mit Hilfe eines Vektornetzwerkanalysators beobachtet und die entsprechenden Ergebnisse sind in Abb. 5f dargestellt.

Hergestellte Struktur und Tests durch die reflexionsarme Kammer (a) hergestellte SRR-basierte Patch-Struktur ohne Pin-Dioden, (b) hergestellte SRR-basierte Patch-Struktur mit Pin-Dioden für den Schaltmechanismus zur Erzielung einer Rekonfiguration, (c) hergestellte Struktur aus 6 × 5 TW-Doppelschicht Superstrat-Struktur, platziert auf SRR-basierter Patch-Struktur, getrennt durch 3D-gedruckte weiße Hohlbox unterschiedlicher Dicke, (d) gefertigte Struktur aus vierschichtiger SRR-Superstrat-Struktur, platziert auf SRR-basierter Patch-Struktur, getrennt durch 3D-gedruckte weiße Hohlbox unterschiedlicher Dicke, (z ) Antennentestanlage einer schalltoten Kammer, (f) Beobachtung des Reflexionsverhaltens einer vierschichtigen SRR-Superstratstruktur, die auf einer SRR-basierten Patchstruktur platziert ist. (g) Vergleich der simulierten und gemessenen Ergebnisse für eine dreischichtige SRR-Struktur kombiniert mit einer 6 × 5 TW-Einzelschicht als Oberschicht erreichen wir fünf Frequenzbänder.

Der Vergleich der simulierten Ergebnisse mit den gemessenen Ergebnissen für eine SRR-Dreischichtstruktur in Kombination mit einer 6 × 5 TW-Einzelschicht als Deckschicht ist in Abb. 5g dargestellt. Aus Abb. 5g ist ersichtlich, dass das gemessene Ergebnis mit den simulierten Ergebnissen identisch ist und die Simulationsergebnisse bestätigt. Darüber hinaus wird auch eine Vergleichsstudie zum Vergleich der vorgeschlagenen Antennenstrukturen mit zuvor veröffentlichten Arbeiten durchgeführt und in der Ergänzungstabelle ST1 dargestellt. Es ist ganz klar, dass die vorgeschlagene Antennenstruktur mit einer 6 × 5 TW-Doppelschichtstruktur im Hinblick auf das Reflexionsverhalten eine bemerkenswerte Leistung erbringt, nein. von Bändern, Bandbreite und Verstärkung. Wir haben mithilfe maschinellen Lernens ein intelligentes Antennendesign entwickelt, das in mobilen 5G-Anwendungen und tragbaren Wi-Fi-, Wi-MAX- und WLAN-Anwendungen anwendbar ist. Die Schmalbandantennen werden für verschiedene Anwendungen eingesetzt, darunter L-Band-Anwendungen für Satellitenkommunikation, digitale Audioübertragung, Amateur-Satelliten-Uplink-Kommunikation und 5G-Kommunikation.

In diesem Abschnitt wird kurz die Notwendigkeit der Verwendung von Regressionsmodellen während des Simulationsprozesses beschrieben und erläutert, wie Regressionsmodelle verwendet werden können, um den Zeit- und Ressourcenbedarf um 80 % zu reduzieren und gleichzeitig die Effizienz des Antennendesigns zu simulieren.

Forscher nutzen die Regressionsanalyse, um den Wert abhängiger Parameter anhand der Werte unabhängiger Parameter zu ermitteln38,39,40,41. Bei der Simulation des Antennendesigns ist die Frequenz ein unabhängiger Parameter, während der Reflexionswert ein abhängiger Parameter ist. Die Simulation des experimentellen Designs erfordert einen erheblichen Zeit- und Ressourcenaufwand. Die zunehmende Komplexität des Versuchsdesigns erfordert mehr Zeit und Ressourcen. Bei der Simulation der Effizienz einer Antenne muss diese für eine Vielzahl von Frequenzwerten bewertet werden. Mit der Erweiterung des Testbereichs steigt auch der Bedarf an Simulationsressourcen. Infolgedessen steigen die Kosten für Modellierung und Experimente. ML-basierte Regressionsanalysemethoden können verwendet werden, um dieses Problem mithilfe der folgenden drei Schritte zu lösen.

Schritt 1: Simulieren Sie das Design der Antenne mit einem höheren Schrittweitenwert für die Frequenz.

Schritt 2: Trainieren Sie das auf maschinellem Lernen basierende Regressionsmodell mithilfe simulierter Daten.

Schritt 3: Prognostizieren Sie die Reflexionswerte von Zwischenfrequenzen mithilfe des trainierten Regressionsmodells.

Mit einer Erhöhung des Schrittgrößenwerts der Frequenz werden Simulationszeit und Ressourcenbedarf reduziert. R-Quadrat-Score (R2S), mittlerer absoluter prozentualer Fehler (MAPE), mittlerer quadratischer Fehler (MSE) und angepasster R-Quadrat-Score (AR2S) sind häufig verwendete Kriterien zur Quantifizierung der Vorhersagekorrektheit des trainierten Regressionsmodells. Formeln zur Berechnung dieser Metriken sind in den Gleichungen angegeben. (5–8).

Dabei ist „N“ eine Anzahl von Datenpunkten, die zum Testen des Regressionsmodells verwendet werden, und „K“ eine Anzahl unabhängiger Parameter, die zur Vorhersage des Werts des Zielparameters verwendet werden.

Zur Erstellung des Regressionsbaums wird ein binärer rekursiver Partitionierungsalgorithmus verwendet. Jeder rekursive Schritt wird verwendet, um einen Datenpunkt im unabhängigen Parameter zu finden, wobei die Aufteilung des Datensatzes in zwei Hälften den mittleren quadratischen Fehler in der Regressionsanalyse minimiert. Um die Genauigkeit seiner Vorhersagen zu verbessern, muss der Regressionsbaum möglicherweise beschnitten oder getrimmt werden.

Dieser Algorithmus erstellt eine Sammlung von „M“ ungekürzten Regressionsbäumen RT1, ... RTM. Im Gegensatz zum Regressionsbaum wählt diese Technik den Grenzwert zufällig und lässt alle Regressionsbäume unter Verwendung des gesamten Trainingsdatensatzes wachsen. Wie in Gl. (9) wird die Ausgabe aller Regressionsbäume mithilfe einer arithmetischen Mittelung gemischt.

Dabei ist x der Wert eines unabhängigen Parameters.

Die Experimente werden mit Daten durchgeführt, die durch Simulation des in Abschn. 1 vorgestellten Antennendesigns gewonnen wurden. 2. TS-60, TS-70, TS-80 und TS-90 sind vier Testszenarien (TS), mit denen überprüft wird, wie viel Simulationszeit und Ressourcenbedarf mithilfe eines Regressionsanalyseansatzes reduziert werden können. Im Testszenario TS-P werden (100-P) % simulierte Datenpunkte mithilfe einer einheitlichen Zufallsauswahlstrategie ausgewählt, um das ExTRM zu trainieren, während die verbleibenden P % simulierten Datenpunkte zur Quantifizierung der Vorhersagegenauigkeit des trainierten ExTRM verwendet werden. Die Anzahl der Datenpunkte, die zum Trainieren und Quantifizieren des ExTRM während verschiedener Testszenarien verwendet werden, ist in der Ergänzungstabelle ST2 aufgeführt.

100 Regressionsbäume werden verwendet, um ExTRMs für Experimente zu erstellen. Der AR2S von ExTRMs, der für verschiedene Werte der inneren Quadratlänge während des Testszenarios TS-80 erhalten wurde, ist in Abb. 6a dargestellt.

(a) AR2S von ExTRMs, die für verschiedene Werte der Länge des inneren Quadrats (LIS) während des Testszenarios (TS-80) erhalten wurden. (b) MAPE von ExTRMs für verschiedene Werte von LIS während des Testszenarios (TS-80). (c) AR2S von ExTRMs, die für verschiedene LIS-Werte während des Testszenarios (TS-90) erhalten wurden. (d) MAPE von ExTRMs für verschiedene LIS-Werte während des Testszenarios (TS-90).

Der MAPE von ExTRMs für verschiedene Werte der inneren Quadratlänge während des Testszenarios TS-80 wird anhand eines vergleichenden Balkendiagramms in Abb. 6b dargestellt. Wenn ExTRMs mithilfe von Polynommerkmalen ersten Grades (PF) trainiert werden, wird für alle Werte der inneren Quadratlänge ein AR2S von mehr als 0,95 erhalten, wie in Abb. 6a dargestellt. Darüber hinaus beträgt der MAPE der ExTRMs weniger als 0,5 % für alle Werte der inneren Quadratlänge, wenn das Modell mit PFs ersten Grades trainiert wird, mit Ausnahme der inneren Quadratlänge von 11 mm, wie in Abb. 6b dargestellt. In dieser Situation sind es ungefähr 1,0 %.

Abbildung 7a–d zeigt Streudiagramme der vorhergesagten Reflexionswerte im Vergleich zu simulierten Reflexionswerten für eine innere Quadratlänge von 15 mm während der Testszenarien TS-60, TS-70, TS-80 bzw. TS-90. Auch wenn nur 20 % der simulierten Daten zur Vorhersage des Reflexionswerts für die verbleibenden 80 % der Frequenzen verwendet werden, kann das ExTRM diese Werte mit hoher Präzision vorhersagen, wie in Abb. 7c dargestellt. Das Gleiche gilt nicht für das Testszenario TS-90. Ergänzende Abbildungen. (S3–S7) zeigt Streudiagramme für Innenquadratlängen von 10–14 mm in gleichmäßigen 1-nm-Schritten. Daraus können wir schließen, dass die Verwendung des ExTRM während der Simulation des Antennendesigns für verschiedene Werte der inneren Quadratlänge die Simulationsanforderungen um 80 % senken kann.

Streudiagramm des vorhergesagten Reflexionswerts im Vergleich zum simulierten Reflexionswert für (a) Länge des inneren Quadrats (LIS) = 15 mm während TS-60 (b) LIS = 15 mm während TS-70 (c) LIS = 15 mm während TS -80 (d) LIS = 15 mm während TS-90 (e) Länge des äußeren Quadrats (L0S) = 24 mm während TS-60 (f) L0S = 24 mm während TS-70 (g) L0S = 24 mm während TS -80 (h) L0S = 24 mm während TS-90.

Der AR2S von ExTRMs, der für verschiedene Werte der inneren Quadratlänge während des Testszenarios TS-90 erhalten wurde, ist in Abb. 6c dargestellt. Der MAPE von ExTRMs für verschiedene Werte der inneren Quadratlänge während des Testszenarios TS-90 ist anhand eines vergleichenden Balkendiagramms in Abb. 6d dargestellt. Wenn ExTRMs mit PFs ersten/zweiten/dritten Grades trainiert werden, kann nicht für alle Werte der inneren Quadratlänge ein AR2S von mehr als 0,9 erreicht werden, wie in Abb. 6c dargestellt. Darüber hinaus beträgt der MAPE des ExTRM für einige Werte der inneren Quadratlänge deutlich mehr als 1,0 %, wie in Abb. 6d dargestellt. Daraus können wir schließen, dass die Verwendung des ExTRM während der Simulation des Antennendesigns für verschiedene Werte der inneren Quadratlänge die Simulationsanforderungen nicht um 90 % senken kann.

Der AR2S von ExTRMs, der für verschiedene Werte der äußeren Quadratlänge während des Testszenarios TS-80 erhalten wurde, ist in Abb. 8a dargestellt. Der MAPE von ExTRMs für verschiedene Werte der äußeren Quadratlänge während des Testszenarios TS-80 ist anhand eines vergleichenden Balkendiagramms in Abb. 8b dargestellt. Wenn ExTRMs mit PFs ersten Grades trainiert werden, wird für alle Werte der äußeren Quadratlänge ein AR2S von mehr als 0,99 erhalten, wie in Abb. 8a dargestellt. Darüber hinaus beträgt der MAPE des ExTRM für alle Werte der äußeren Quadratlänge weniger als 0,47 %, wie in Abb. 8b dargestellt.

(a) AR2S von ExTRMs, die für verschiedene Werte der Länge des äußeren Quadrats (LOS) während des Testszenarios (TS-80) erhalten wurden. (b) MAPE von ExTRMs für verschiedene Werte von LOS während des Testszenarios (TS-80). (c) AR2S von ExTRMs, die für verschiedene LOS-Werte während des Testszenarios (TS-90) erhalten wurden. (b) MAPE von ExTRMs für verschiedene LOS-Werte während des Testszenarios (TS-90).

Abbildung 7e–h zeigt Streudiagramme der vorhergesagten Reflexionswerte im Vergleich zu simulierten Reflexionswerten für eine äußere quadratische Länge von 24 mm während der Testszenarien TS-60, TS-70, TS-80 und TS-90. Auch wenn nur 20 % der simulierten Daten zur Vorhersage des Reflexionswerts für die verbleibenden 80 % der Frequenzen verwendet werden, kann das ExTRM diese Werte mit hoher Präzision vorhersagen, wie in Abb. 7g dargestellt. Das Gleiche gilt nicht für das Testszenario TS-90. Ergänzende Abbildungen. (S8–S16) zeigt Streudiagramme für die verbleibenden Längen des äußeren Quadrats. Daraus können wir schließen, dass die Verwendung des ExTRM während der Simulation des Antennendesigns für verschiedene Werte der äußeren Quadratlänge die Simulationsanforderungen um 80 % senken kann.

Der AR2S von ExTRMs, der für verschiedene Werte der äußeren Quadratlänge während des Testszenarios TS-90 erhalten wurde, ist in Abb. 8c dargestellt. Der MAPE von ExTRMs für verschiedene Werte der äußeren Quadratlänge während des Testszenarios TS-90 ist anhand eines vergleichenden Balkendiagramms in Abb. 8d dargestellt. Wenn ExTRMs mit PFs zweiten Grades trainiert werden, kann für alle Werte der inneren Quadratlänge ein AR2S von mehr als 0,94 erhalten werden, wie in Abb. 8c dargestellt. Allerdings beträgt der MAPE des ExTRM für einige Werte der äußeren Quadratlänge mehr als 1,0 %, wie in Abb. 8d dargestellt. Daraus können wir schließen, dass die Verwendung des ExTRM während der Simulation des Antennendesigns für verschiedene Werte der äußeren Quadratlänge die Simulationsanforderungen nicht um 90 % senken kann.

Abschließend wird eine auf dem Metamaterialkonzept basierende Antenne simuliert, bei der das Patch abgeschnitten und mit einem SRR geätzt wird, und die Ergebnisse werden mit den hergestellten Ergebnissen überprüft. Es wird ein hocheffizientes Antennendesign mit hoher Verstärkung, Rekonfigurierbarkeit, verbessertem Reflexionsverhalten und höherer Bandbreite vorgeschlagen. Die hohe Verstärkungsanforderung wird durch Hinzufügen von Metamaterial-Superstraten mit TWs und SRRs erfüllt. Die Rekonfigurierbarkeit wird durch das Hinzufügen von drei PIN-Diodenschaltern erreicht. Durch das Hinzufügen von Superstratschichten im Bereich von einer Schicht bis zu vier Schichten mit abwechselnden TWs und SRRs wurden mehrere Designs beobachtet. Das TW-Metamaterial-Superstrat-Design mit zwei Schichten bietet die beste Leistung bei hoher Verstärkung mit 15,57 dB, 108 MHz erweiterter Bandbreite, −27,07 dB Reflexionsverhalten und sechs Frequenzbändern. Das Design wird auch durch die Änderung verschiedener physikalischer Parameter des Patch-Designs optimiert. Durch maschinelles Lernen unterstütztes ExTRM wird eingesetzt, um das Verhalten der Antenne zu erlernen und den Reflexionswert für einen weiten Frequenzbereich vorherzusagen. Experimentelle Ergebnisse belegen, dass die Verwendung des ExTRM-basierten Modells zur Simulation des Antennendesigns die Simulationszeit und den Ressourcenbedarf um 80 % reduzieren kann. Wir haben mithilfe maschinellen Lernens ein intelligentes Antennendesign entwickelt, das in mobilen 5G-Anwendungen und tragbaren Wi-Fi-, Wi-MAX- und WLAN-Anwendungen angewendet werden kann.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind im Github-Repository verfügbar: https://github.com/jaymit31/Machine-Learning-assisted-metamaterial-based-reconfigurable-antenna-for-low-cost-portable- elektronisch].

Li, D., Szabo, Z., Qing, X., Li, EP & Chen, ZN Eine Hochleistungsantenne mit einem optimierten, von Metamaterialien inspirierten Superstrat. IEEE Trans. Antennenpropag. https://doi.org/10.1109/TAP.2012.2213231 (2012).

Artikel Google Scholar

Jin, G., Deng, C., Yang, J., Xu, Y. & Access, SL-I. und undefiniert 2019, „Eine neue differenziell gespeiste, frequenzrekonfigurierbare Antenne für WLAN- und Sub-6GHz-5G-Anwendungen“, ieeexplore.ieee.org.

Abbas, M. et al., „Millimeter Wave Frequency Reconfigurable Antenna for 5G WLAN“, 2018 IEEE 21st International Multi-Topic Conference (INMIC), November 2018, S. 1–6, https://doi.org/ 10.1109/INMIC.2018.8595501.

Patel, SK, Argyropoulos, C. & Kosta, YP Mustergesteuerte und frequenzabstimmbare Mikrostreifenantenne mit mehreren Split-Ring-Resonatoren. IET Microw. Antennenpropag. https://doi.org/10.1049/iet-map.2017.0319 (2018).

Artikel Google Scholar

Faizal Ismail, M. et al. Rekonfigurierbare Dualband-Antenne mit elektromagnetischer Bandlückenstruktur. AEU Int. J. Electron. Komm. https://doi.org/10.1016/j.aeue.2020.153571 (2021).

Artikel Google Scholar

Cui, TJ, Liu, R. & Smith, DR Einführung in Metamaterialien. In Metamaterials: Theory, Design, and Applications (Springer, 2010), S. 1–19.

Keerthi, RS et al. Abstimmbare Hochverstärkungs- und Multiband-Mikrostreifenantenne basierend auf Flüssig-/Kupfer-Split-Ring-Resonator-Superstraten für die C/X-Band-Kommunikation. Physik. B Kondensatoren. Materie https://doi.org/10.1016/j.physb.2021.413203 (2021).

Artikel Google Scholar

Christydass, SPJ & Gunavathi, N. Von Oktaband-Metamaterial inspirierte Multiband-Monopolantenne für drahtlose Anwendungen. Prog. Elektromagn. Res. C https://doi.org/10.2528/PIERC21041102 (2021).

Artikel Google Scholar

Yuan, Y. et al. Unabhängige Phasenmodulation für Quadruplex-Polarisationskanäle, ermöglicht durch chiralitätsunterstützte Metaoberflächen mit geometrischer Phase. Nat. Komm. https://doi.org/10.1038/s41467-020-17773-6 (2020).

Artikel PubMed PubMed Central Google Scholar

Zhang, K., Wang, Y., Burokur, SN & Wu, Q. Erzeugung eines dualpolarisierten Wirbelstrahls durch Umleitungsphase: Von Phasengradienten-Metaoberflächen zu Metagittern. IEEE Trans. Mikrowelle. Theorie Tech. 70(1), 200–209. https://doi.org/10.1109/TMTT.2021.3075251 (2022).

Artikel ADS Google Scholar

Patel, SK, Shah, KH & Kosta, YP Mehrschichtiges Radomdesign aus flüssigem Metamaterial zur Leistungssteigerung von Mikrostreifen-Patchantennen. Mikrowelle. Opt. Technol. Lette. https://doi.org/10.1002/mop.31024 (2018).

Artikel Google Scholar

Islam, MT, Islam, MT, Samsuzzaman, M., Arshad, H. & Rmili, H. Metamaterial hat neun Vivaldi-Antennenarrays mit hoher Verstärkung für die Mikrowellen-Brustbildgebungsanwendung geladen. IEEE-Zugriff https://doi.org/10.1109/ACCESS.2020.3045458 (2020).

Artikel PubMed Google Scholar

Zhang, K., Jack Soh, P. & Yan, S. Meta-tragbare Antennen – eine Übersicht über auf Metamaterial basierende Antennen in drahtlosen Körperbereichsnetzwerken. Materialien (Basel) https://doi.org/10.3390/ma14010149 (2021).

Artikel PubMed PubMed Central Google Scholar

Roy, S. & Chakraborty, U. Metamaterialbasierte tragbare Dual-Breitband-Antenne für drahtlose Anwendungen. Wirel. Pers. Komm. 106(3), 1117–1133. https://doi.org/10.1007/s11277-019-06206-3 (2019).

Artikel Google Scholar

Luo, Y. et al. Eine aktive Metamaterialantenne mit MEMS-modulierten Abtaststrahlungsstrahlen. IEEE Electron Device Lett. https://doi.org/10.1109/LED.2016.2565559 (2016).

Artikel Google Scholar

Sharma, SK, Abdalla, MA & Hu, Z. Miniaturisierung einer elektrisch kleinen, von Metamaterialien inspirierten Antenne unter Verwendung einer zusätzlichen leitenden Schicht. IET Microw. Antennenpropag. https://doi.org/10.1049/iet-map.2017.0927 (2018).

Artikel Google Scholar

Saravanan, M. & Umarani, SM Verstärkungsverbesserung der Patch-Antenne, integriert mit Metamaterial-inspiriertem Superstrat. J. Elektr. Syst. Inf. Technol. https://doi.org/10.1016/j.jesit.2018.04.002 (2018).

Artikel Google Scholar

Patel, SK, Sonagara, J., Katrodiya, D. & Sorathiya, V. High-Gain-Metamaterial-Radomdesign für Mikrostreifen-basierte Strahlungsstruktur. Mater. Res. Express https://doi.org/10.1088/2053-1591/aaed30 (2019).

Artikel Google Scholar

Ojo, R. et al. Eine dreieckige MIMO-Array-Antenne mit einem doppelten negativen Metamaterial-Superstrat zur Verbesserung von Bandbreite und Gewinn. Int. J. RF Microw. Berechnen. Ing. https://doi.org/10.1002/mmce.22320 (2020).

Artikel Google Scholar

Sumathi, K., Lavadiya, S., Yin, PZ, Parmar, J. & Patel, SK Multiband- und frequenzrekonfigurierbare Metamaterial-Superstrat-Mikrostreifen-Patchantenne mit hoher Verstärkung für drahtlose C/X/Ku-Band-Netzwerkanwendungen. Wirel. Netw. https://doi.org/10.1007/s11276-021-02567-5 (2021).

Artikel Google Scholar

Boufrioua, A. Frequenzrekonfigurierbare Antennendesigns mit PIN-Diode für drahtlose Kommunikationsanwendungen. Wirel. Pers. Komm. 110(4), 1879–1885. https://doi.org/10.1007/s11277-019-06816-x (2020).

Artikel Google Scholar

Saroj, AK & Ansari, JA Eine rekonfigurierbare rhombische Multiband-Mikrostreifenantenne für drahtlose intelligente Anwendungen. Int. J. RF Microw. Berechnen. Ing. https://doi.org/10.1002/mmce.22378 (2020).

Artikel Google Scholar

Sharma, S. & Tripathi, CC Breitband-zu-gleichzeitige Triband-Frequenz rekonfigurierbare Mikrostreifen-Patchantenne für drahtlose Kommunikation. Int. J. Microw. Wirel. Technol. 9(4), 915–922. https://doi.org/10.1017/S1759078716000763 (2017).

Artikel Google Scholar

Lim, JH, Back, GT, Il Ko, Y., Song, CW & Yun, TY Eine rekonfigurierbare PIFA mit einer umschaltbaren PIN-Diode und einem Feinabstimmungsvaraktor für USPCS/WCDMA/m-WiMAX/WLAN. IEEE Trans. Antennenpropag. 58(7), 2404–2411. https://doi.org/10.1109/TAP.2010.2048849 (2010).

Artikel ADS Google Scholar

Ai-Yasir, YIA, OjaroudiParchin, N., Alabdullah, A., Mshwat, W., Ullah, A. & Abd-Alhameed, R. Neue musterrekonfigurierbare kreisförmige Scheibenantenne mit zwei PIN-Dioden für WiMax/WiFi (IEEE 802. 11 a) Bewerbungen. In SMACD 2019 – 16. Internationale Konferenz über Synthese-, Modellierungs-, Analyse- und Simulationsmethoden und Anwendungen im Schaltungsdesign, Proceedings, 2019, S. 53–56. https://doi.org/10.1109/SMACD.2019.8795287.

Carrasco, E., Barba, M. & Encinar, JA X-Band-Reflectarray-Antenne mit Schaltstrahl unter Verwendung von PIN-Dioden und gesammelten Elementen. IEEE Trans. Antennenpropag. 60(12), 5700–5708. https://doi.org/10.1109/TAP.2012.2208612 (2012).

Artikel ADS Google Scholar

George, R., Kumar, CRS, Gangal, S. & Joshi, M. Frequenzrekonfigurierbare Pixelantenne mit PIN-Dioden. Prog. Elektromagn. Res. Lette. 86, 59–65. https://doi.org/10.2528/pierl19051803 (2019).

Artikel Google Scholar

Patel, SK, Shah, KH & Sonagara, JS Breitbandiges Radomdesign aus flüssigem Metamaterial. Waves Random Complex Media 30(2), 328–339. https://doi.org/10.1080/17455030.2018.1506597 (2020).

Artikel ADS MathSciNet Google Scholar

Patel, SK, Shah, KH & Kosta, YP Frequenzrekonfigurierbare und hochverstärkte Metamaterial-Mikrostreifen-Strahlungsstruktur. Waves Random Complex Media 29(3), 523–539. https://doi.org/10.1080/17455030.2018.1452309 (2019).

Artikel ADS Google Scholar

Paga, P., Nagaraj, HC & Rukmini, TS Entwurf einer rekonfigurierbaren Dualband-Frequenz-Mikrostreifen-Patchantenne für GPS- und Wi-Fi-Anwendungen. Int. J. Veh. Inf. Komm. Syst. 3(4), 281–305. https://doi.org/10.1504/IJVICS.2018.094978 (2018).

Artikel Google Scholar

Patel, SK et al. Ultrabreitbandiger, polarisationsunabhängiger, mehrschichtiger, hakenkreuzförmiger Metamaterial-Sonnenenergieabsorber mit Weitwinkel und Absorptionsvorhersage mittels maschinellem Lernen. Adv. Theoriesimulationen https://doi.org/10.1002/adts.202100604 (2022).

Artikel Google Scholar

Patel, SK et al. Graphenbasiertes Metaoberflächen-Solarabsorberdesign für den sichtbaren und nahen Infrarotbereich mit Verhaltensvorhersage mithilfe einer polynomialen Regression. Optik https://doi.org/10.1016/j.ijleo.2022.169298 (2022).

Artikel Google Scholar

Patel, SK, Surve, J., Katkar, V. & Parmar, J. Optimierung eines metamaterialbasierten Solarenergieabsorbers zur Verbesserung der solarthermischen Energieumwandlung mithilfe künstlicher Intelligenz. Adv. Theorie Simul. https://doi.org/10.1002/adts.202200139 (2022).

Artikel Google Scholar

Patel, SK et al. Kodierung und Abstimmung eines auf THz-Metaoberflächen basierenden Brechungsindexsensors mit Verhaltensvorhersage mithilfe des XGBoost-Regressors. IEEE-Zugriff https://doi.org/10.1109/ACCESS.2022.3154386 (2022).

Artikel Google Scholar

El Misilmani, HM, Naous, T. & Al Khatib, SK Ein Überblick über den Entwurf und die Optimierung von Antennen mithilfe von Algorithmen und Techniken des maschinellen Lernens. Int. J. RF Microw. Berechnen. Unterstützter Ing. https://doi.org/10.1002/mmce.22356 (2020).

Artikel Google Scholar

Bessa, MA, Glowacki, P. & Houlder, M. Bayesianisches maschinelles Lernen im Metamaterialdesign: Fragil wird superkomprimierbar. Adv. Mater. https://doi.org/10.1002/adma.201904845 (2019).

Artikel PubMed Google Scholar

Deringer, VL, Caro, MA & Csányi, G. Interatomare Potentiale des maschinellen Lernens als neue Werkzeuge für die Materialwissenschaft. Adv. Mater. https://doi.org/10.1002/adma.201902765 (2019).

Artikel PubMed Google Scholar

Parmar, J., Patel, SK & Katkar, V. Graphenbasiertes Metaoberflächen-Solarabsorberdesign mit Absorptionsvorhersage durch maschinelles Lernen. Wissenschaft. Rep. 12(1), 2609. https://doi.org/10.1038/s41598-022-06687-6 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Wang, Y. et al. Eigenschaften und Erfassungsleistung einer THz-Metaoberfläche basierend auf Kohlenstoffnanoröhren und Mikrofluidikkanälen. Vorderseite. Physik. https://doi.org/10.3389/fphy.2021.749501 (2021).

Artikel Google Scholar

Noureen, S., Zubair, M., Ali, M. & Mehmood, MQ Deep-Learning-basierte Hybridsequenzmodellierung für den optischen Antwortabruf in Metaoberflächen für STPV-Anwendungen. Opt. Mater. Express 11(9), 3178. https://doi.org/10.1364/ome.424826 (2021).

Artikel ADS CAS Google Scholar

Patel, SK, Parmar, J. & Katkar, V. Metaoberflächenbasierter Solarabsorber mit Absorptionsvorhersage mittels maschinellem Lernen. Opt. Mater. 124, 112049. https://doi.org/10.1016/j.optmat.2022.112049 (2022).

Artikel CAS Google Scholar

Referenzen herunterladen

Fakultät für Computertechnik, Marwadi-Universität, Rajkot, Gujarat, Indien

Shobhit K. Patel & Vijay Katkar

Fakultät für Elektrotechnik, Marwadi-Universität, Rajkot, Gujarat, Indien

Jaymit-Druck

Abteilung für Elektronik und Kommunikationstechnik, Marwadi University, Rajkot, Gujarat, Indien

Juveriya Parmar

Abteilung für Maschinenbau und Werkstofftechnik, University of Nebraska-Lincoln, 1400 R St., Nebraska, 68588, USA

Juveriya Parmar

Sie können diesen Autor auch in PubMed Google Scholar suchen

SKP hatte die Idee. SKP, JS, JP führten die Simulationen der verschiedenen Antennenstrukturen durch, JS führte die Experimente durch, SKP und JS analysierten die experimentellen Ergebnisse, SKP und VK wendeten das maschinelle Lernen an und analysierten die Ergebnisse. Alle Autoren trugen zum Schreiben des Artikels bei, SKP überwachte das Projekt.

Korrespondenz mit Shobhit K. Patel.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Patel, SK, Surve, J., Katkar, V. et al. Durch maschinelles Lernen unterstützte metamaterialbasierte rekonfigurierbare Antenne für kostengünstige tragbare elektronische Geräte. Sci Rep 12, 12354 (2022). https://doi.org/10.1038/s41598-022-16678-2

Zitat herunterladen

Eingegangen: 3. März 2022

Angenommen: 13. Juli 2022

Veröffentlicht: 19. Juli 2022

DOI: https://doi.org/10.1038/s41598-022-16678-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Wissenschaftliche Berichte (2023)

Zeitschrift für elektronische Materialien (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.