Space Mapping Approach to Electromagnetic Centric Multiphysics Parametric Modeling of Microwave Components
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle