Multilevel Reduced-Order Coarse-Model Development Technique for Accelerating Space Mapping Optimization of 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
Electromagnetic (EM) optimization of microwave components often relies on repeated full-wave simulations, which can be time-consuming even for routine design tasks. Existing acceleration techniques such as mesh space mapping (MSM) typically require manual coarse-mesh tuning and coarse–fine fitting, limiting automation and reproducibility. To address these issues, this article presents a multilevel model order reduction (MOR) framework that derives a reduced-order coarse model (ROCM) directly from the fine model, thereby avoiding mesh coarsening and empirical fitting. The first level enables rapid broadband evaluation via frequency-domain reduction; the second reuses a shared projection basis across nearby geometries with adaptive updates when surrogate error grows. Geometry changes are accommodated through mesh deformation, and sensitivities are computed efficiently by restricting adjoint-based updates to perturbed elements. The proposed method is validated on multiple waveguide filter designs and compared against direct fine-mesh optimization, single-level MOR, and MSM. Across the reported cases, the proposed method achieves the shortest total runtime while maintaining fine-model accuracy and stable convergence, eliminating the need for coarse-mesh construction and surrogate fitting. These results demonstrate a robust, automated workflow that combines high fidelity with substantial computational savings over practical design ranges.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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