Space Mapping Approach to Electromagnetic Centric Multiphysics Parametric Modeling of Microwave Components
Notice bibliographique
Résumé
This paper proposes a novel technique to develop a low-cost electromagnetic (EM) centric multiphysics parametric model for microwave components. In the proposed method, we use space mapping techniques to combine the computational efficiency of EM single physics (EM only) simulation with the accuracy of the multiphysics simulation. The EM responses with respect to different values of geometrical parameters in nondeformed structures without considering other physics domains are regarded as coarse model. The coarse model is developed using the parametric modeling methods such as artificial neural networks or neuro-transfer function techniques. The EM responses with geometrical and nongeometrical design parameters as variables in the practical deformed structures due to thermal and structural mechanical stress factors are regarded as fine model. The fine model represents the behavior of EM centric multiphysics responses. The proposed model includes the EM domain coarse model and two mapping neural networks to map the EM domain (single physics) to the multiphysics domain. Our proposed technique can achieve good accuracy for multiphysics parametric modeling with fewer multiphysics training data and less computational cost. After the modeling process, the proposed model can be used to provide accurate and fast prediction of EM centric multiphysics responses of microwave components with respect to the changes of design parameters within the training ranges. The proposed technique is illustrated by a tunable four-pole waveguide filter example at 10.5-11.5 GHz and an iris coupled microwave cavity filter example at 690-720 MHz.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».