30084

استخراج پارامترهاي الكترومغناطيسي مواد بر پايه طيف سنجي دامنه زماني تراهرتز با استفاده از يادگيري ماشين

كارشناسي ارشد

مهندسي برق- مخابرات ميدان و امواج

1399

1402/06/12

دكتر علي عبدالعالي

دكتر اميرسامان نورامين

مهندسي برق

يكي از نيازهاي امروزه بشر در صنايع مختلف از جمله در صنايع مخابراتي و در صنايع پزشكي تشخيص و تخمين يك پارامترهاي يك ماده نامعلوم است( به عنوان مثال تشخيص زود هنگام تومورهاي سرطاني). اين امر در رشته مهندسي برق و به خصوص در گرايش مخابرات ميدان از جايگاه ويژه اي برخوردار است. تخمين پارامترهاي الكترومغناطيسي مواد، ما را به سمت مساله بسيار مهم پراكندگي امواج الكترومغناطيسي و پراكندگي معكوس اميدان الكترومغناطيسي سوق ميدهد. در اينجا ما نگاهي كاملا جامع به قضيه پراكندگي امواج داريم و كمتر به لحاظ كاربردي اين مساله را تحت بررسي قرار خواهيم داد. طيف سنجي دامنه زماني، يكي از روش هايي است كه در قضيه پراكندگي معكوس اميدان الكترومغناطيسي نقشي مهم ايفا مي كند. همچنين با توسعه ي بسيار مناسب هوش مصنوعي و زبان هاي برنامه نويسي و يادگيري ماشين در سال هاي اخير، ميدانب شده است تا بهره گيري از اين ابزار توانمند براي حل مسائل تقريبي و حل عددي، با استقبال زيادي روبرو باشد. هدف اصلي ما در اين پژوهش محاسبه و تخمين پارامترهاي الكترومغناطيسي مواد با مقادير متفاوتي از ضريب گذردهي الكتريكي(ε) است. ما در اين پژوهش از شبكه هاي يادگيري عميق براي تخمين پارامترهاي مورد نظر استفاده كرده ايم و اساس كار بر پايه معادلات ماكسول و شرايط مرزي و قضيه پراكندگي امواج الكترومغناطيسي و پراكندگي معكوس امواج الكترومغناطيسي است. اين پژوهش از چندين بخش كلي تشكيل شده است، اولين بخش بر پايه حل تحليلي مساله پراكندگي امواج الكترومغناطيسي مستقيم است كه در ادامه آن داده هاي توليد شده با استفاده از شبكه يادگيري عميق آموزش و ارزيابي و تست شده اند، در اين مرحله از كار ما توانستيم به ازاي بازه وسيعي از نسبت ضخامت ماده الكترومغناطيسي به طول ميدان، به جواب ها و دقت بسيار مناسبي برسيم. بخش دوم اين كار از ابتدا بر پايه روش هاي عددي است و در اين كار ما از دو آنتن هورن TEM و يك ريدوم با ضخامت ها و جنس هاي مختلف( با ابعاد ثابت) بين اين دو آنتن استفاده كرده ايم و هيچ روش حل تحليلي در اين كار استفاده نشده است و تماما بر پايه شبيه سازي در نرم افزارهاي مختلف پيشروي صورت گرفته است و در نهايت داده هاي توليد شده از شبيه سازي ها به عنوان داده يادگيري و داده تست به شبكه يادگيري عميق داده شده است. بخش اول كار صرفا بر مبناي ميدان عبور كرده انجام شده است و از ميدان برگشتي در اين بخش صرف نظر شده است اما در بخش دوم يك بار بر مبناي ميدان عبوري، يك بار بر مبناي ميدان بازگشتي و يك بار با در نظر گرفتن هر دو ميدان رفتي و برگشتي صورت گرفته است. همچنين در بخش دوم براي حالتي كه از هر دو ميدان عبور يافته و بازگشتي استفاده شده است، ما بك بار براي صرف دامنه محاسبات را انجام داده ام و بار ديگر با در نظر گرفتن دامنه و فاز اين كار را انجام داده ايم و اين در حالي است كه در بخش اول كار ما هر دو پارامتر دامنه و فاز را در نظر گرفته ايم. در فاز پاياني كار ما با در نظر گرفتن group delay مجددا شبكه خود را آموزش داده و تست كرده ايم.

1402/08/24

Electromagnetic parameters extraction based on terahertz time-domain spectroscopy using machine learning

9/2/2024 12:00:00 AM

This thesis includes some sections, in section 1 investigates the extraction of complex refractive indices from the amplitude and phase of the transmitted electric field. In the first step, an incident plane wave has been assumed and the amplitude and phase of the transmitted plane wave is calculated analytically. In this calculation, different values of the complex refractive index have been assumed for the non-magnetic material under test. In fact, the real part and imaginary part of the refractive index are assumed in the range of [1-10] and [0-1], respectively. Furthermore, a general study is made by an assumption of the material thickness to simulation wavelength ratio in the range of [0.01-40]. Due to examining the measurement noise, noisy data are produced for different values of signal-to-noise ratio in the range of [20-40] dB. Due to the difficulties of estimating the refractive index confronted in the theoretical or iterative methods, a Long short-term memory (LSTM) network is proposed and used for the estimation of complex refractive index based on the amplitude and phase of the transmitted electric field. It is shown that the estimation accuracy of about 97% can be achieved in the trained network. Furthermore, the estimation accuracy as a function of thickness-to-wavelength ratio, signal-to-noise ratio, and the values of real and imaginary parts of the refractive index are studied in detail and shown that higher estimation accuracy can be achieved. Therefore, the proposed method can replace analytical or repetitive methods as an optimal and more accurate method. In section 2: we used scattering basic theory to extract permittivity index of materials and finally in section 3 we discussed the effect of group delay in our estimations.

الكترومغناطيس كاربردي , پراكندگي امواج , فناوري تراهرتز , ماكروويو , يادگيري ماشين

Applied Electromagnetics , Scattering , Terahertz Technology , Microwave , Machine Learning

Alireza Ghorbani

Ali Abdolali