MARC

 008250123s2024        us                              c    eng  d
■001000017161881
■00520250211151457
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382612010
■035    ▼a(MiAaPQ)AAI31297288
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a537
■1001  ▼aZhang,  Botian.
■24510▼aModeling  of  Electromagnetic  Responses  With  Respect  to  Design  Variables:  Local  Gradients,  Surrogate  Modeling,  and  Deep  Learning  Neural  Network
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a205  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Rahmat-Samii,  Yahya.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aWhen  adjusting  the  geometric,  material,  and  boundary  properties  of  an  electromagnetic  (EM)  system,  the  system's  response  varies  with  the  design  variables.  While  full-wave  simulations  can  estimate  the  response  for  a  fixed  set  of  design  variables,  they  do  not  model  the  relationship  between  the  design  variables  and  EM  system  responses.  Parametric  modeling  is  essential  for  design  sensitivity  analysis,  statistical  analysis,  and  optimization.EM  parametric  modeling  research  could  revolutionize  EM  simulation  and  design.  Historically,  engineers  faced  long  wait  times  (hours  or  even  days)  for  simulation  completion  and  relied  on  trial-and-error  schemes  to  tune  design  parameters.  Incorporating  parametric  modeling  in  EM  designs  has  the  potential  to  significantly  decrease  EM  design  and  optimization  time  to  a  tolerable  level  (seconds  or  minutes),  consequently  reducing  design  costs  and  electronic  devices'  time  to  market.  In  this  study,  we  have  researched  on  several  parametric  modeling  techniques  in  EM  applications.  The  parametric  modeling  techniques  fall  into  two  main  categories:  intrusive  and  non-intrusive.Non-intrusive  parametric  modeling  assumes  the  response-parameter  relation  as  a  mathematical  function  and  uses  training  data  samples  to  train  the  model.  We  first  investigate  the  classical  continuous  function  reconstruction  using  Nyquist-Shannon  sampling  and  sinc  interpolations  to  reconstruct  the  Mie  scattering  formula.  Surrogate  models  estimate  the  response-parameter  relationship  through  orthogonal  basis  expansion  or  interpolation.  Trained  with  a  limited  number  of  full-wave  simulation  training  samples,  surrogate  models  are  constructed  to  estimate  statistics  of  RF  human  exposure.  We  also  demonstrate  the  efficiency  of  surrogate-based  optimization  in  the  design  of  an  embroidery  textile  patch  antenna.The  Fourier  neural  operator  (FNO),  a  recently-proposed  neural  network  dedicated  for  solving  partial  differential  equations  (PDE),  is  investigated  to  accelerate  EM  simulations.  The  unique  features  of  FNO,  such  as  global  convolution  and  multilayer  iterative  processes,  make  it  suitable  for  fast  solving  integral  equations.  Neural  networks  with  FNO  are  implemented  to  accelerate  EM  simulations  and  perform  as  EM  parametric  modeling  in  electrostatic  and  electromagnetic  problems.As  another  type  of  parametric  modeling,  intrusive  parametric  modeling  incorporates  underlying  physics  into  the  modeling.  The  first-order  Taylor  expansion  expresses  employs  the  first-order  gradient  with  respect  to  design  parameters.  The  gradient  is  obtained  by  adjoint  variation  methods  (AVM)  applied  on  finite  element  method  (FEM)  solutions.  The  method  requires  only  one  evaluation  to  get  the  gradient  with  respect  to  design  parameters,  compared  to  the  finite  difference  method,  which  requires  multiple  evaluations.  Additionally,  we  introduce  the  use  of  PyTorch's  auto-gradient  tool  to  calculate  derivatives  conveniently  for  the  first  time.  Inspired  by  FNO,  we  introduce  a  Conjugate-Gradient  Fast-Fourier-Transform  (CGFFT)  iterative  solver  for  volume  integral  equations  as  a  neural  network  configuration.  The  method  employs  intrusive  modeling  techniques,  while  it  is  accelerated  by  advanced  hardware  and  software  technologies  developed  for  artificial  intelligence  (AI).Research  in  EM  parametric  modeling  not  only  provides  fast  and  easy-to-use  engineering  design  tools  and  methodology,  but  also  paves  the  way  for  further  investigation  into  expressing  PDE  solutions  on  compressed  function  bases.  Moreover,  researchers  can  incorporate  rapidly  evolving  AI  techniques  into  EM  modeling  and  simulations  in  the  future.
■590    ▼aSchool  code:  0031.
■650  4▼aElectromagnetics
■650  4▼aElectrical  engineering
■650  4▼aComputational  physics
■653    ▼aComputational  electromagnetics
■653    ▼aFinite  element  method
■653    ▼aMachine  learning
■653    ▼aNumerical  methods
■653    ▼aOptimization
■653    ▼aSurrogate  models
■690    ▼a0607
■690    ▼a0544
■690    ▼a0216
■71020▼aUniversity  of  California,  Los  Angeles▼bElectrical  and  Computer  Engineering  0333.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161881▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books