طراحی یک جاذب فراسطحی تراهرتز بر پایه تکنیک یادگیری ماشین
Publish place: Tabriz Journal of Electrical Engineering، Vol: 54، Issue: 3
Publish Year: 1403
Type: Journal paper
Language: Persian
View: 76
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_TJEE-54-3_004
Index date: 1 December 2024
طراحی یک جاذب فراسطحی تراهرتز بر پایه تکنیک یادگیری ماشین abstract
توسعه جاذب های فراسطحی راه حل بالقوه ای برای دستیابی به وزن کم، ضخامت نازک، نرخ جذب مطلوب و ویژگی های قابل قبول جذب امواج تراهرتز ، ارائه می دهد. به منظور بهینه سازی خواص جذب فراسطح ها، معمولا از طیف جذب به عنوان یک معیار ارزیابی مهم استفاده میشود که می تواند بسیاری از ویژگی های مهم مانند مقدار جذب در فرکانس های مختلف را نشان دهد. اما، تحلیل طیف های جذب، به تعداد زیادی پارامترهای ساختاری وابسته است که منابع و زمان زیادی را مصرف می کند، زیرا جذب موج الکترومغناطیسی شامل فرآیندهای تطبیق امپدانس مختلط و تحریک میدان الکتریکی است. برای پرداختن به این موضوع، این تحقیق یک رویکرد یادگیری ماشین مبتنی بر الگوریتم جنگل تصادفی را برای پیش بینی نرخ جذب بر اساس پارامترهای ساختاری پیشنهاد می کند و نیاز به شبیه سازی عددی و زمان تجزیه و تحلیل طیف را کاهش می دهد. با مدل جنگل تصادفی، نرخ جذب با امتیاز R۲ بیش از ۹۹/۰پیش بینی می شود. علاوه بر این، طرح جاذب پیشنهادی دارای مزایای نازک بودن، غیرحساس بودن به پلاریزاسیون و با زاویه برخورد نسبتا پایدار به واسطه تقارن ساختار است. این مطالعه یک رویکرد عملی و موثر برای طراحی سیستم های پیچیده مرتبط با انتشار موج الکترومغناطیسی جاذب، بازتاب و انتقال ارائه می کند.
طراحی یک جاذب فراسطحی تراهرتز بر پایه تکنیک یادگیری ماشین Keywords:
طراحی یک جاذب فراسطحی تراهرتز بر پایه تکنیک یادگیری ماشین authors
محمدمهدی فخاریان
استادیار، دانشکده فنی و مهندسی، دانشگاه گرمسار، گرمسار، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
