Modelagem computacional de arranjo em série de antena patch retangular utilizando métodos de aprendizado de máquina
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://hdl.handle.net/11449/236352 |
Resumo: | Conforme o acesso à tecnologia aumenta exponencialmente nos dias de hoje, a utilização e a pesquisa de dispositivos que operam em ondas milimétricas cresce. Uma opção para o uso, é a antena de microstriP. Para aumentar a diretividade e o ganho desse tipo de antena, é necessário utilizar estruturas periódicas, como o arranjo em série, já que possui menores percas na rede de alimentação do que a paralela. Embora essa configuração possibilite o direcionamento de feixe e aumente da diretividade, o processo implica no surgimento de lóbulos laterais, e no alto custo de processamento computacional em simulações devido ser eletricamente grande. Portanto, o propósito do trabalho é modelar computacionalmente uma antena de arranjo em série com 8 elementos, a fim de realizar previsões precisas da diretividade e do nível de lóbulo lateral a partir de variações na largura das plaquetas. A partir das previsões é possível encontrar valores ótimos de parâmetros geométricos, coeficientes de redução da largura do elemento, que reduzam o nível de lóbulo lateral num modelo de menor custo de processamento computacional. A modelagem será feita utilizando métodos de aprendizado de máquina para regressão, já que os valores de diretividade e nível de lóbulo lateral são escalares. Para atingir tais objetivos é necessário calcular o nível de lóbulo lateral de cada configuração, analisar os dados e construir os modelos preditivos. Os modelos de aprendizagem supervisionado construídos em Python foram: Regressão Linear Múltipla, Regressão por Árvore de Decisão, Regressão por Árvores de Decisão Aleatórias e Redes Neurais Artificias. O projeto computacional construído atingiu o objetivo principal do trabalho, sendo capaz de realizar previsões assertivas em pouco tempo de processamento. |
id |
UNSP_ea33a9336b6abc5a06dbd8ebf94183cb |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/236352 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Modelagem computacional de arranjo em série de antena patch retangular utilizando métodos de aprendizado de máquinaComputational modeling of patch antenna array rectangular using machine learning methodsMatemáticaAntenas (Eletrônica)Inteligência artificialAlgoritmosAprendizado do computadorConforme o acesso à tecnologia aumenta exponencialmente nos dias de hoje, a utilização e a pesquisa de dispositivos que operam em ondas milimétricas cresce. Uma opção para o uso, é a antena de microstriP. Para aumentar a diretividade e o ganho desse tipo de antena, é necessário utilizar estruturas periódicas, como o arranjo em série, já que possui menores percas na rede de alimentação do que a paralela. Embora essa configuração possibilite o direcionamento de feixe e aumente da diretividade, o processo implica no surgimento de lóbulos laterais, e no alto custo de processamento computacional em simulações devido ser eletricamente grande. Portanto, o propósito do trabalho é modelar computacionalmente uma antena de arranjo em série com 8 elementos, a fim de realizar previsões precisas da diretividade e do nível de lóbulo lateral a partir de variações na largura das plaquetas. A partir das previsões é possível encontrar valores ótimos de parâmetros geométricos, coeficientes de redução da largura do elemento, que reduzam o nível de lóbulo lateral num modelo de menor custo de processamento computacional. A modelagem será feita utilizando métodos de aprendizado de máquina para regressão, já que os valores de diretividade e nível de lóbulo lateral são escalares. Para atingir tais objetivos é necessário calcular o nível de lóbulo lateral de cada configuração, analisar os dados e construir os modelos preditivos. Os modelos de aprendizagem supervisionado construídos em Python foram: Regressão Linear Múltipla, Regressão por Árvore de Decisão, Regressão por Árvores de Decisão Aleatórias e Redes Neurais Artificias. O projeto computacional construído atingiu o objetivo principal do trabalho, sendo capaz de realizar previsões assertivas em pouco tempo de processamento.As access to technology increases exponentially these days, the use and research of devices that operate in millimeter waves grows. One option for use is the microstrip antenna. To increase the directivity and gain of this type of antenna, it is necessary to use periodic structures, such as the series arrangement, since less losses in the supply network than in parallel. Although this configuration allows beam steering and increases directivity, the process implies the emergence of side lobes, and the high cost of computational processing in simulations due to being electrically large. Therefore, the purpose of this work is to computationally model a series array antenna with 8 elements, in order to perform accurate measurements of directivity and side lobe level from variations in the amplitude of the plates. From the estimates it is possible to find the values of the geometric parameters, the optimal width reduction elements, which reduced the side lobe level in a computational processing cost model. Modeling will be done using steering capability machine equipment as the side lobe values are scaled. To achieve these goals it is necessary to calculate the side lobe level of each configuration, analyze the data and build the predictive models. The supervised learning models built in Python were: Multiple Linear Regression, Decision Tree Regression, Random Decision Tree Regression and Artificial Neural Networks. The computational design built the main objective of the work, being able to perform assertive processing in a short time of work.Universidade Estadual Paulista (Unesp)Penchel, Rafael Abrantes [UNESP]Universidade Estadual Paulista (Unesp)Correia, Jean Zanella2022-08-30T02:30:42Z2022-08-30T02:30:42Z2022-08-18info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttp://hdl.handle.net/11449/236352porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2023-11-14T06:11:43Zoai:repositorio.unesp.br:11449/236352Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462023-11-14T06:11:43Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Modelagem computacional de arranjo em série de antena patch retangular utilizando métodos de aprendizado de máquina Computational modeling of patch antenna array rectangular using machine learning methods |
title |
Modelagem computacional de arranjo em série de antena patch retangular utilizando métodos de aprendizado de máquina |
spellingShingle |
Modelagem computacional de arranjo em série de antena patch retangular utilizando métodos de aprendizado de máquina Correia, Jean Zanella Matemática Antenas (Eletrônica) Inteligência artificial Algoritmos Aprendizado do computador |
title_short |
Modelagem computacional de arranjo em série de antena patch retangular utilizando métodos de aprendizado de máquina |
title_full |
Modelagem computacional de arranjo em série de antena patch retangular utilizando métodos de aprendizado de máquina |
title_fullStr |
Modelagem computacional de arranjo em série de antena patch retangular utilizando métodos de aprendizado de máquina |
title_full_unstemmed |
Modelagem computacional de arranjo em série de antena patch retangular utilizando métodos de aprendizado de máquina |
title_sort |
Modelagem computacional de arranjo em série de antena patch retangular utilizando métodos de aprendizado de máquina |
author |
Correia, Jean Zanella |
author_facet |
Correia, Jean Zanella |
author_role |
author |
dc.contributor.none.fl_str_mv |
Penchel, Rafael Abrantes [UNESP] Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Correia, Jean Zanella |
dc.subject.por.fl_str_mv |
Matemática Antenas (Eletrônica) Inteligência artificial Algoritmos Aprendizado do computador |
topic |
Matemática Antenas (Eletrônica) Inteligência artificial Algoritmos Aprendizado do computador |
description |
Conforme o acesso à tecnologia aumenta exponencialmente nos dias de hoje, a utilização e a pesquisa de dispositivos que operam em ondas milimétricas cresce. Uma opção para o uso, é a antena de microstriP. Para aumentar a diretividade e o ganho desse tipo de antena, é necessário utilizar estruturas periódicas, como o arranjo em série, já que possui menores percas na rede de alimentação do que a paralela. Embora essa configuração possibilite o direcionamento de feixe e aumente da diretividade, o processo implica no surgimento de lóbulos laterais, e no alto custo de processamento computacional em simulações devido ser eletricamente grande. Portanto, o propósito do trabalho é modelar computacionalmente uma antena de arranjo em série com 8 elementos, a fim de realizar previsões precisas da diretividade e do nível de lóbulo lateral a partir de variações na largura das plaquetas. A partir das previsões é possível encontrar valores ótimos de parâmetros geométricos, coeficientes de redução da largura do elemento, que reduzam o nível de lóbulo lateral num modelo de menor custo de processamento computacional. A modelagem será feita utilizando métodos de aprendizado de máquina para regressão, já que os valores de diretividade e nível de lóbulo lateral são escalares. Para atingir tais objetivos é necessário calcular o nível de lóbulo lateral de cada configuração, analisar os dados e construir os modelos preditivos. Os modelos de aprendizagem supervisionado construídos em Python foram: Regressão Linear Múltipla, Regressão por Árvore de Decisão, Regressão por Árvores de Decisão Aleatórias e Redes Neurais Artificias. O projeto computacional construído atingiu o objetivo principal do trabalho, sendo capaz de realizar previsões assertivas em pouco tempo de processamento. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-08-30T02:30:42Z 2022-08-30T02:30:42Z 2022-08-18 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11449/236352 |
url |
http://hdl.handle.net/11449/236352 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1803046475595251712 |