22944

تعيين مشخصات الكترومغناطيسي مواد با روش هاي مبتني بر دامنه

كارشناسي ارشد

مخابرات ميدان

1399

1399/8/5

دكتر محمد سليماني

دكتر وحيد نيري

برق

اين پايان‌‌نامه، چندين روش خط انتقالي ارزان‌‌قيمت را براي بازسازي مشخصات الكتريكي مواد پاشنده و غيرپاشنده مبتني بر اندازه‌‌گيري توان ارسالي ارائه مي‌‌كند. در ابتدا، يك الگوريتم براي تعيين مشخصات دي‌‌الكتريك مواد غيرپاشنده مبتني بر اندازه‌‌گيري توان ارسالي ارائه شده است. اين الگوريتم مشخصات دي‌‌الكتريك مواد را با استفاده از توابعي چندهدفه كه در چندين فركانس و ضخامت مختلف از ماده تحت آزمايش تعريف شده‌‌اند، بدون نياز به استفاده از اطلاعات فاز، استخراج مي‌‌كند. سپس، روشي نيمه‌‌تحليلي و رويكردي مبتني بر يادگيري ماشين كه از الگوريتم تنظيم‌‌پذيري بايسين (BRA) استفاده مي‌‌كند براي بازسازي ضريب گذردهي مختلط الكتريكي مواد پاشنده و غيرپاشنده فركانسي استفاده شده است. در هر دو روش، از مدل Debye براي مدل‌‌سازي پاشندگي فركانسي ماده تحت آزمايش استفاده شده است. اگرچه، كاربرد اين روش به هر مدل ديگري قابل تعميم است. در روش نيمه‌‌تحليلي، يك خط كواكسيال به‌‌عنوان خط انتقالي ايده‌‌آل در نظر گرفته شده است و با حل معكوس معادله پراكندگي انتقالي در فركانس‌‌هاي مختلف كه نيازمند حل عددي يك دستگاه معادلات غيرخطي مي‌‌باشد، پارامترهاي Debye بدست آمده‌‌اند. تكنيك يادگيري ماشين مبتني بر آموزش يك شبكه عصبي مصنوعي چندلايه مي‌‌باشد كه از نتايج شبيه‌‌سازي‌‌هاي تمام‌‌موج خط كواكسيال بارگذاري‌‌شده با مواد تحت آزمايش مختلف، به‌‌عنوان مجموعه داده ورودي و از پارامترهاي Debye به‌‌عنوان مجموعه خروجي خود استفاده مي‌‌كند. براي اعتبارسنجي عملي، يك خط كواكسيال معلق طراحي و ساخته شد و بوسيه آن، گذردهي مختلط الكتريكي چندين مايع شيميايي در باند فركانسي وسيع 0/3 تا 3 گيگاهرتز اندازه‌‌گيري شد. در پايان، از روشي مبتني بر يادگيري ماشين كه از BRA استفاده مي‌‌كند، براي بازسازي گذردهي مختلط الكتريكي به طور مستقيم و بدون استفاده از مدل پاشندگي بهره گرفته ايم.

1399/10/01

Material Characterization Using Magnitude-only Techniques

5/21/2021 12:00:00 AM

There is a pervasive need for precise material characterization, especially permittivity, in numerous engineering applications such as printed circuit board technologies, agriculture, food industry, material science, and medical treatments. A wide spectrum of materials ranging from biological tissues and chemical materials to human-made composites are dispersive, meaning that their electromagnetic properties do not remain constant over a wide frequency range. This variation makes the characterization more challenging in general compared to non-dispersive materials. This thesis presents several inexpensive transmission line approaches to reconstruct dielectric properties of dispersive and non-dispersive materials using only power measurements, thereby removing the need for phase measurements. The proposed methods only require a signal generator and a power sensor for complex permittivity characterization without the need for either a scalar or a vector network analyzer. First, a dielectric characterization algorithm based on transmitted power measurements is presented for characterizing non-dispersive materials. The method can retrieve the dielectric properties of materials utilizing multiobjective functions enforced at multiple frequencies and lengths without the need for phase information which requires expensive measurement setups. However, the shortcoming of this approach is its need for multiple measurements at different lengths of MUT, which makes the reconstruction process cumbersome. Second, a semi-analytical method and a machine learning-based approach using the Bayesian regularization algorithm (BRA) are proposed to determine the complex permittivity. In both methods, a Debye model for the frequency dispersion of the MUT is used, however, the applicability extends to other models. In the semi-analytical method, the coaxial line is considered as an ideal transmission line, and by inverse solution of the forward scattering equation in different frequencies which requires numerically solving a system of nonlinear equations, the Debye parameters are extracted. The machine learning technique relies on training a multilayer artificial neural network which utilizes the full-wave simulation results of the coaxial line loaded with different MUTs as its training set. For experimental validation, a suspended coaxial line was designed and fabricated. The complex permittivities of several liquid chemicals were measured within a broad frequency band of 0.3-3 GHz. The comparison between the retrieved permittivity and the reference data demonstrates high accuracy for both methods; however, the artificial neural network approach shows higher precision. Third, a machine learning-based approach using the BRA is proposed to determine the complex permittivity, directly, without the need for using a dispersion model. This optimal neural network can effectively retrieve the complex permittivity of several dispersive chemical materials and their mixtures with different volume ratios, within the band of 0.3-3 GHz. The retrieved results were compared with reference data (for pure materials) or those obtained by mixture formulas, demonstrating the high accuracy of the proposed method.