Μελέτη με ημιαναλυτικές τεχνικές ή μεθόδους τεχνητής νοημοσύνης της ακτινοβολίας κυκλικής βροχοκεραίας παρουσία ή μη ένθετων διηλεκτρικών κυκλικών κυλινδρικών ράβδων: ευθύ και αντίστροφο πρόβλημα ακτινοβολίας: σκέδαση κυλινδρικών διατάξεων

Abstract

Object of this dissertation is to study the circular loop antenna radiation in the presence or absence of inset circular cylindrical dielectric structures. The problem is addressed by the use of semi-analytical or artificial intelligence techniques.Chapter 1 presents a brief introduction of the techniques used to solve the various electromagnetic problems and we attempt to define the area of interest of this dissertation. Additionally, applications of the aforementioned techniques in similar problems and the key points of this dissertation are presented.Chapter 2 introduces elements of artificial intelligence techniques, by focusing on artificial neural networks and neuro-fuzzy systems. We present the topic of artificial neural networks, their architectures, and the learning process algorithms. In addition the adaptive neuro-fuzzy inference system and the hybrid training algorithm are presented.Chapter 3 addresses the forward circular loop antenna radiation problem with two different soft computing techniques, artificial neural networks and adaptive neuro-fuzzy inference systems (ANFISs). The model of the problem is presented, the generation of the training data are discussed and the learning process metrics are computed. The necessary error indicators extracted during the test process and the suitability of each model is discussed. At the end of the chapter there is the necessary comparison between the two soft-computing techniques. On the one hand, with the analytical solution and on the other hand, with the 2 different artificial intelligence techniques.Inverse problems are by nature complex and often it is not possible to find a solution in a closed form. Thus, Chapter 4 addresses the inverse radiation problem of circular loop antenna with three different artificial neural network architectures while exploring the efficiency of different learning algorithms. The problem modeled and the learning process completed by investigating the efficiency of different learning algorithms. Subsequently, during the test process, the necessary error metrics were calculated and the suitability of each model was discussed. By closing the chapter, the numerical results are presented, the different architectures are compared and the necessary conclusions are drawn.Chapter 5 addresses the circular loop antenna radiation problem when in the far field of the antenna are one or more (inserted or not) circular cylindrical dielectric structures. The problem is solved by two different techniques. Firstly, the equivalent scattering problem is solved in order to calculate the scattered electric and magnetic field and the radar cross-section of the structure. Then the problem is solved by using neural networks that are trained with data from the semi-analytical solution.

Η παρούσα διατριβή έχει σαν αντικείμενο τη μελέτη της ακτινοβολίας κυκλικής βροχοκεραίας παρουσία ή μη κυλινδρικών δομών με ένθετες κυκλικές κυλινδρικές διηλεκτρικές ράβδους. Το πρόβλημα αντιμετωπίζεται με την χρήση ημιαναλυτικών τεχνικών και τεχνικών τεχνητής νοημοσύνης. Στο Κεφάλαιο 1 γίνεται μια σύντομη εισαγωγή των τεχνικών που χρησιμοποιήθηκαν για την επίλυση των διαφόρων ηλεκτρομαγνητικών προβλημάτων και γίνεται προσπάθεια να οριστεί ο τομέας ενδιαφέροντος της διατριβής αυτής. Παρουσιάζεται η χρησιμότητα και οι εφαρμογές των τεχνικών αυτών σε παρόμοια προβλήματα ενώ παρουσιάζονται και τα κύρια σημεία της διατριβής.Στο Κεφάλαιο 2 γίνεται μια εισαγωγή βασικών στοιχείων των τεχνικών τεχνητής νοημοσύνης εστιάζοντας σ’ αυτές που εφαρμόστηκαν για την επίλυση των διάφορων ηλεκτρομαγνητικών διατάξεων. Παρουσιάζονται τα τεχνητά νευρωνικά δίκτυα οι διάφορες αρχιτεκτονικές τους, τα χαρακτηριστικά τους και οι διαδικασία της εκμάθησης με σκοπό την εφαρμογή τους στα ηλεκτρομαγνητικά προβλήματα που πραγματεύεται η παρούσα διατριβή. Επιπλέον γίνεται εισαγωγή στα νεύρο-ασαφή συστήματα εστιάζοντας στα προσαρμοστικά νεύρο-ασαφή συστήματα και στον υβριδικό αλγόριθμο εκπαίδευσης τους.Στο Κεφάλαιο 3 αντιμετωπίζεται το ευθύ πρόβλημα ακτινοβολίας της κυκλικής βροχοκεραίας με δύο διαφορετικές soft computing τεχνικές, τα τεχνητά νευρωνικά δίκτυα και το προσαρμοστικό νεύρο-ασαφές σύστημα (ANFIS). Αρχικά μοντελοποιείται το πρόβλημα, εξάγονται τα δεδομένα εκμάθησης από την αναλυτική λύση και πραγματοποιείται η διαδικασία της εκμάθησης. Στην συνέχεια κατά την διαδικασία της δοκιμής υπολογίζονται οι απαραίτητοι δείκτες σφάλματος και κρίνεται η καταλληλόλητα του κάθε μοντέλου. Στο τέλος του κεφαλαίου γίνεται η απαραίτητη σύγκριση μεταξύ των δύο soft-computing τεχνικών αφενός μεταξύ των αφετέρου με την αναλυτική λύση του προβλήματος και εξάγονται τα απαραίτητα συμπεράσματα.Τα αντίστροφα προβλήματα είναι εκ φύσεως πολύπλοκα και πολλές φορές είναι ανέφικτο να βρεθεί λύση σε κλειστή μορφή. Έτσι στο Κεφάλαιο 4 αντιμετωπίζεται το αντίστροφο πρόβλημα ακτινοβολίας της κυκλικής βροχοκεραίας με τρείς διαφορετικές αρχιτεκτονικές τεχνητών νευρωνικών δικτύων διερευνώντας παράλληλα και την αποδοτικότητα διαφορετικών αλγορίθμων εκπαίδευσης. Μοντελοποιήθηκε το πρόβλημα εξήχθησαν τα δεδομένα εκμάθησης από την αναλυτική λύση του προβλήματος και ολοκληρώθηκε η διαδικασία με την διερεύνηση της αποδοτικότητας διαφορετικών αλγορίθμων εκπαίδευσης. Στην συνέχεια κατά την διαδικασία της δοκιμής υπολογίστηκαν οι απαραίτητοι δείκτες σφάλματος και κρίθηκε η καταλληλόλητα του κάθε μοντέλου. Κλείνοντας το κεφάλαιο, παρουσιάζονται τα αριθμητικά αποτελέσματα συγκρίνονται μεταξύ τους οι διαφορετικές αρχιτεκτονικές και εξάγονται τα απαραίτητα συμπεράσματα.Στο Κεφάλαιο 5 αντιμετωπίζεται το πρόβλημα της ακτινοβολίας κυκλικού βρόχου όταν στο μακρινό πεδίο ακτινοβολίας του υπάρχει κυλινδρική δομή αποτελούμενη από μία, ή περισσότερες ένθετες διηλεκτρικές κυλινδρικές ράβδους κυκλικής διατομής. Η επίλυση του προβλήματος γίνεται με δύο διαφορετικές τεχνικές. Πρώτα επιλύεται ημιαναλυτικά το ισοδύναμο πρόβλημα της σκέδασης προκειμένου να υπολογιστούν το σκεδαζόμενο ηλεκτρικό και μαγνητικό πεδίο και η ενεργός διατομή σκέδασης ραντάρ της διάταξης. Στη συνέχεια το πρόβλημα επιλύεται με τη χρήση νευρωνικών δικτύων που εκπαιδεύονται με τα δεδομένα της ημιαναλυτικής λύσης.