Otimização de Superfícies Seletivas de Frequência com Elementos Pré-Fractais Utilizando Rede Neural MLP e Algoritmos de Busca Populacional
Superfícies seletivas de frequência, FSS, geometria fractal, inteligência computacional, rede neural MLP, algoritmos de busca populacional.
Esta tese propõe metodologias de projeto para superfícies seletivas de frequência (FSSs) compostas por arranjos periódicos de patches metálicos pré-fractais impressos em camadas dielétricas simples (FR4, RT/duroid). As formas apresentadas pelas geometrias correspondentes à ilha de Sierpinski e ao fractal T são exploradas para o projeto simples de filtros espaciais rejeita-faixa eficientes com aplicações na faixa de micro-ondas. Resultados iniciais são discutidos em termos do efeito eletromagnético decorrente da variação de parâmetros como, número de iterações fractais (ou nível do fractal), fator de iteração fractal, e periodicidade da FSS, dependendo do elemento pré-fractal utilizado (ilha de Sierpinski ou fractal T). As propriedades de transmissão destes arranjos periódicos propostos são investigadas através de simulações realizadas pelos programas comerciais Ansoft DesignerTM e Ansoft HFSSTM, que executam métodos de onda completa. Para validar a metodologia empregada, protótipos de FSS são selecionados para fabricação e medição. Os resultados obtidos apontam características interessantes para filtros espaciais de FSS, tais como: estrutura compacta, com maiores fatores de compressão de frequência; além de respostas estáveis em frequência com relação à incidência oblíqua de ondas planas. Esta tese aborda ainda, como enfoque principal, a aplicação de uma técnica alternativa de otimização eletromagnética (EM) para análise e síntese de FSSs com motivos fractais. Em exemplos de aplicação desta técnica, elementos pré-fractais de Vicsek e Sierpinski são usados no projeto ótimo das estruturas de FSS. Baseada em ferramentas de inteligência computacional, a técnica proposta supera o alto custo computacional proveniente das análises paramétricas de onda completa. Para este fim, são desenvolvidos modelos rápidos e precisos de rede neural do tipo perceptron de múltiplas camadas (MLP) utilizando diferentes parâmetros como variáveis de entrada do projeto. Estes modelos de rede neural têm como objetivo calcular a função custo nas iterações dos algoritmos de busca populacional. O algoritmo genético contínuo (GA), a otimização por enxame de partículas (PSO), e o algoritmo das abelhas (BA), são usados para a otimização das FSSs com valores específicos de frequência de ressonância e largura de banda. O desempenho destes algoritmos é comparado em termos do custo computacional e da convergência numérica. Resultados consistentes podem ser verificados através da excelente concordância obtida entre simulações e medições referentes aos protótipos de FSS construídos com uma dada iteração fractal.