Establecer el enlace entre dos herramientas CAD para optimizar utilizando nuevos algoritmos genéticos, e implementar una interfaz. CAD HERRAMIENTA CST – MATLAB - INTERFAZ
Los avances en la distribución de energía en microondas y ondas milimétricas han mejorado significativamente la eficiencia y la confiabilidad en sistemas móviles y de radar. Innovaciones como la guía de onda y los métodos de ajuste modal han mejorado la distribución de señales y aumentado la eficien...
محفوظ في:
| المؤلف الرئيسي: | |
|---|---|
| التنسيق: | bachelorThesis |
| منشور في: |
2025
|
| الموضوعات: | |
| الوصول للمادة أونلاين: | https://repositorio.espe.edu.ec/handle/21000/50393 |
| الوسوم: |
إضافة وسم
لا توجد وسوم, كن أول من يضع وسما على هذه التسجيلة!
|
إضافة وسم | الملخص: | Los avances en la distribución de energía en microondas y ondas milimétricas han mejorado significativamente la eficiencia y la confiabilidad en sistemas móviles y de radar. Innovaciones como la guía de onda y los métodos de ajuste modal han mejorado la distribución de señales y aumentado la eficiencia en aplicaciones de alta frecuencia. Sin embargo, los simuladores CAD enfrentan limitaciones como tiempos de simulación prolongados y altos requisitos computacionales. Este trabajo desarrolla un método de optimización para acopladores direccionales y redes de distribución de potencia mediante simulaciones en CST Microwave Studio y algoritmos de aprendizaje automático en MATLAB. La simulación en CST Studio permite entre varias cosas obtener los parámetros S (pérdidas de retorno, aislamiento y coeficientes de transmisión), que serán empleados para entrenar modelos de IA en MATLAB, a fin de optimizar los tiempos de procesamiento y enfocarlos en nuevas configuraciones. Se implementó una interfaz entre CST y MATLAB con el objetivo de lograr una predicción del comportamiento de los parámetros S, con la ventaja de tener un menor recurso computacional para obtener un resultado cercano o igual al que CST proporciona, optimizando así el proceso de diseño. La metodología utiliza aprendizaje supervisado y no supervisado para crear modelos predictivos de los parámetros S y de las dimensiones del acoplador para cumplir con los parámetros S deseados. Este sistema permitirá realizar ajustes en tiempo real, disminuyendo el tiempo de procesamiento, y así, poder aplicarse a otros dispositivos de RF, proporcionando una base para futuras investigaciones. Al final del desarrollo del presente trabajo se logró optimizar los tiempos de procesamiento, logrando predecir con una exactitud considerable el comportamiento esperado de los parámetros S. |
|---|