Advanced Parallel Space-Mapping-Based Multiphysics Optimization for High-Power Microwave Filters
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
Space mapping is a recognized surrogate-based optimization method to accelerate the electromagnetic (EM) design. In this article, for the first time, space mapping is elevated from solving the problem of EM optimization to solving the problem of multiphysics optimization for high power microwave filters. Multiphysics analysis, which involves the EM domain with other physics domains, is increasingly important for high-performance microwave components to obtain an accurate system design. To speed up the multiphysics design, a space-mapping-based surrogate model including a coarse model and two mapping functions is proposed in this article. We propose to use EM single physics responses as the coarse model to provide good approximations to fine model multiphysics responses. To avoid repetitive EM simulations during the surrogate model training and optimization process, the coarse model is developed using an artificial neural network (ANN). Frequency mapping and explicit input mapping are further performed to develop the proposed surrogate model. Multiple EM and multiphysics training samples are evaluated in parallel to develop the surrogate model. A trust-region algorithm, tailored to the space-mapping-based multiphysics optimization technique, is proposed to improve the convergence. By exploiting the knowledge of the coarse model established by relatively inexpensive EM data, the proposed technique can provide a larger and more efficient optimization update in each optimization iteration, consequently obtaining optimal solutions faster than the existing multiphysics optimization without space mapping. Two examples of multiphysics optimization of high-power microwave filters are used to validate the proposed technique.
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 | 0,000 | 0,000 |
| 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