Anten optimizasyonunda kümeleme analizi

Antenlerin sayısal simülasyon yoluyla optimizasyonu genellikle anten kazancı, yarı güç ışın genişliği, yan lob seviyesi veya bant genişliği gibi birkaç amaç fonksiyonuna (KPI) odaklanır. Çok amaçlı optimizasyon yöntemleri ile (Altair HyperStudy‘de uygulandığı gibi) Pareto-optimal çözüm kümeleri hesaplanabilir. Bununla birlikte, her simülasyon çalışması sırasında ek yanıtlar çok fazla ek çaba gerektirmeden hesaplanabilir. Bu yanıtlar örneğin antenin uzak alan modelinin bir akım dağılımı olabilir. Birçok uygulama için, bir optimizasyon sırasında bu yüksek boyutlu veri kümelerinden gelen bilgileri dikkate almak yararlı olabilir.

Genellikle önemli olan tek tek vektör bileşenlerinin değerleri değil, vektör verilerinden elde edilen kalıptır. Bu durumu, bir arka plaka önünde 8 dipol elemandan oluşan basit bir anten dizisi örneği (f = 77 GHz) ile açıklamak gerekirse:

anten optimizasyonu

Anten modeli 3 tasarım değişkeni ile parametrelenmiştir. Optimizasyon hedefi olarak ana yönde anten kazancı (theta = 0°, phi = 0°) maksimize edilmelidir. Bu işlem Altair Feko ve Altair HyperStudy kullanılarak standart bir süreçle yapılmıştır. Önce bir DoE (Deney Tasarımı) tanımlandı. Bu değerlendirme verilerinin üzerine GRSM ile bir optimizasyon gerçekleştirildi. Hesaplanan 160 anten tasarımından 38 tanesi spesifikasyon şartı olan kazancı ≥ 17.5 dBi değerini karşılamaktadır. Bu optimize edilmiş tasarımlardan bazıları birbirine çok benzer desenlere sahipken, diğerleri yukarıdaki iki desen resminde görebileceğiniz gibi tamamen farklı bir şekle sahitir.

Artık tüm optimum çözümlerin desenlerine “bakabilir” ve bunları farklı kümeler halinde sıralayabilirsiniz. Büyük veri kümeleri için bu artık “gözle” yapılamaz, ancak makine öğrenimi bu görevi hızla çözebilir: Kümeleme Analizi, denetimsiz bir öğrenme yaklaşımıdır ve örneğin K-ortalama kümeleme veya hiyerarşik kümeleme gibi çeşitli algoritmalar mevcuttur.

Altair Knowledge Studio, Kümeleme, Sınıflandırma ve Regresyon için çok sayıda güçlü makine öğrenimi yöntemi sunar. Bu projede, Knowledge Studio’daki K-Means algoritması desen verilerini iki kümeye ayırmak için kullanılmıştır. Teta =-90°, … ,+90° olan her bir yönlendirme deseni D(teta), 181 boyutlu bir metrik uzayda bir nokta olarak temsil edilir. K-ortalamalar algoritması, tüm kümeler üzerinde toplanan toplam küme içi varyasyonun mümkün olduğunca küçük olduğu K kümelerine bölümler bulur.

Daha sonra küme verileri etiketlenmiş ve bir derin öğrenme modeli (2 katmanlı sinir ağı) kullanılarak bir sınıflandırma modeli eğitilmiştir. Bu makine öğrenimi modeli ile 3 tasarım değişkeninden her bir konfigürasyonun küme üyeliğini tahmin edebilirsiniz.

Altair® Knowledge Studio® kodlama gerektirmeyen bir platformdur ve tüm adımlar düğümler düzenlenerek ve GUI’de bağlanarak kolayca tanımlanabilir:

Bu iş akışı şemasından, başka bir sınıflandırma modelinin Rastgele Orman Yöntemi kullanılarak eğitildiğini görebilirsiniz, ancak bu durumda, Analizör Düğümünde değerlendirilen Derin Öğrenme modelinden biraz daha kötü tahminler verir.

Artık küme tahmini için Sınıflandırma modeli Altair HyperStudy‘ye bir *.kdm dosyası olarak aktarılabilir. HyperStudy’nin optimizasyon sürecinde küme sınıfı bir kısıtlama olarak tanımlanabilir. Bu strateji ile optimize edici otomatik olarak küme üyeliğini dikkate alır ve tasarım uzayının ilgili alt kümesinde bir çözüm bulur.

Bu optimizasyon sürecinin sonuçları yukarıdaki diyagramlarda görselleştirilmiştir. Sol taraftaki resim ilk tasarım değişkeni üzerindeki kazancı göstermektedir. Nokta rengi küme numarasını göstermektedir (küme indeksi 1 için mavi renk). Sağdaki resim, küme 1’e ilişkin en iyi iki çözüm ve küme 2’deki en iyi çözümün modelini göstermektedir. Beklendiği gibi 77 ve 78 numaralı çözümler (küme 1’i temsil eden) çok benzer anten düzenine sahipken, 91 numaralı çözüm sadece benzer tepe kazancına, ancak çok farklı örüntü şekline sahiptir.

Şimdi tüm optimizasyon sürecini özetlersek:

  • CADFEKO’da parametrize anten modelinin kurulması
  • Bir simülasyonun çalıştırılması ve ilgili yanıtların POSTFEKO’da değerlendirilmesi
  • Altair HyperStudy‘de deney tasarımı (DOE) kurulumu. CADFEKO’dan tasarım değişkenlerinin ve POSTFEKO’dan yanıtları okunması
  • HyperStudy’de bir DoE çalıştırılması ve yanıtların değerlendirilmesi (Kazanç ve anten deseni)
  • Verilerin Altair Knowledge Studio’ya aktarılması
  • Knowledge Studio’da küme ve sınıflandırma modelleri oluşturma
  • Sınıflandırma modelini HyperStudy’ye geri aktarma ve Altair Feko modeli ile ML modelinin tasarım değişkenlerini birbirine bağlama
  • HyperStudy’de kısıt tanımlama ve optimizasyonu çalıştırma

Yazıda kullanılan yazılımları aşağıdaki bağlantılardan indirebilirsiniz. Sorularınız için iletişim formunu kullanabilirsiniz.

Altair® Feko®, çok çeşitli elektromanyetik yayınım ve saçılma problemlerinin analizine yönelik güçlü ve kapsamlı bir 3D simülasyon yazılımıdır

Altair® HyperStudy®, kullanıcıların deney tasarımı, meta modelleme, optimizasyon, stokastik gibi yöntemleri kullanarak tasarımlarını anlamalarını ve geliştirmelerini sağlayan bir yazılımdır.

Altair® Knowledge Studio®, tek bir kod satırı bile gerektirmeden açıklanabilir sonuçlar üretirken verileri hızla görselleştiren, pazar lideri, kullanımı kolay bir makine öğrenimi ve tahmine dayalı analitik çözümüdür