贯序多物理场机器学习辅助的低风阻天线设计方法与系统技术方案

本发明专利技术提出了一种机器学习辅助的天线结构层参数化拓扑设计与优化方法，并基于此提出了一种贯序多物理场机器学习辅助的低风阻天线设计方法

【技术实现步骤摘要】
贯序多物理场机器学习辅助的低风阻天线设计方法与系统


[0001]本专利技术属于天线设计
，具体涉及机器学习辅助的低风阻天线设计，可用于天线的多物理场研究设计领域
。

技术介绍

[0002]低风阻是
5G
超大规模基站天线设计研究中所必须满足的硬性指标
。
一方面，为了满足对增益
、
带宽等多方面的要求，天线数量急剧增加，使得基站天线的选址与安装难度增大，较低的风阻可有效降低基站天线的安装与搭建难度
。
另一方面，基站天线设计在满足低风阻这一物理指标的同时，也需要满足原有的电磁性能指标
。
[0003]对于基站天线中广泛使用双极化交叉偶极子天线，低风阻设计不仅需要对辐射层进行小型化设计，也需要对金属地进行拓扑优化，得到创新的利于空气流动的金属地结构
。
为了定量分析比较不同的金属地拓扑，必须通过流体力学仿真求解器进行仿真分析
。
同时，为了满足电磁性能要求，仅优化金属地的拓扑结构不能满足设计需求，必须对辐射体的拓扑和结构参数进行优化
。
由于设计参数较多，仅依靠流体力学仿真与全波仿真难以得到较优解
。
[0004]在过去的十多年里，机器学习方法被广泛应用于天线的优化设计领域，并取得了良好的效果
。
但是低风阻天线的设计目标包含两个不同的物理场，优化目标较多，设计参数的数量急剧增加，形成了巨大的设计空间，这导致样本的数量呈指数增加
、
>采样时间难以承受，且代理模型的训练时间也不可忽略
。
因此，如何减小设计空间，加快优化的收敛速度，从而加快低风阻天线的设计过程是问题的关键所在
。

技术实现思路

[0005]专利技术目的：本专利技术提出一种机器学习辅助的天线结构层参数化拓扑设计与优化方法，并基于该参数化拓扑设计与优化方法提出一种贯序多物理场机器学习辅助的低风阻天线设计方法，能够在满足天线性能要求的同时减小多物理场设计需求下巨大的设计空间，加速天线的设计过程
。
[0006]技术方案：为实现上述专利技术目的，本专利技术首先提供一种机器学习辅助的天线结构层参数化拓扑设计与优化方法，包括如下步骤：
[0007]设定一个初始网格图像并设置网格初始材料属性；
[0008]设定用于选定网格点位置和数量的网格选择设计参数，以及用于对所选定网格点及其相邻网格点进行材料属性更改的材料属性设计参数；
[0009]设定复杂图像生成设计参数，用于基于材料属性更改后的网格图像生成更复杂的网格图像，包括决定网格图像变换组合方式的参数
、
决定原网格图像与变换后网格图像的组合次序的参数以及组合次数的参数；对于图像旋转变换，还包括决定旋转角度的参数；
[0010]对基于上述设计参数生成的复杂度更高的网格图像，提取不同材料属性的网格间的轮廓线，根据轮廓线进行建模得到一组设计参数下对应的拓扑结构；
[0011]对于定义的天线性能优化目标，利用机器学习方法建立代理模型辅助性能优化，得到满足设计目标的结构层的拓扑设计参数
。
[0012]作为优选，所述参数化拓扑设计与优化方法利用机器学习方法训练得到所述代理模型，通过在所有设计参数的取值范围内采样后进行仿真得到所述代理模型的训练数据集
。
[0013]具体地，所述参数化拓扑设计与优化方法用于天线金属地参数化拓扑设计与优化时，定义天线风阻性能优化目标，利用机器学习方法建立根据金属地投影面积得到风阻值的代理模型辅助性能优化，得到满足设计目标的金属地拓扑设计参数
。
[0014]具体地，所述参数化拓扑设计与优化方法用于天线偶极子参数化拓扑设计与优化时，定义天线电磁性能优化目标，利用机器学习方法建立根据设计参数和频率得到
S
参数和增益的代理模型辅助性能优化，得到满足设计目标的偶极子拓扑设计参数
。
[0015]进一步地，同时满足风阻性能和电磁性能要求情形下，天线金属地进行风阻性能优化设计后，将金属地与网状支撑结构组合，对天线整体进行电磁性能优化时，设计参数中增加决定网状支撑结构每行
/
列网格个数的设计参数，决定辐射层中不进行拓扑优化的区域大小的设计参数，决定设计区域与偶极子臂边缘之间的间隔区域大小的设计参数，决定辐射层直径大小的设计参数，决定同轴馈线周围的支撑结构大小的设计参数，决定偶极子臂的顶端角度大小的设计参数，以及决定辐射层与金属地之间距离的设计参数
。
[0016]基于上述参数化拓扑设计与优化方法，本专利技术提供的一种贯序多物理场机器学习辅助的低风阻天线设计方法，包括如下步骤：
[0017]基于所述参数化的拓扑设计与优化方法，分别通过网格选择设计参数
、
材料属性设计参数和复杂图像生成设计参数改变天线金属地的拓扑结构，以及改变偶极子的拓扑结构，以优化天线风阻性能与电磁性能；其中对于电磁性能优化增加天线的结构参数；
[0018]构建贯序的天线风阻性能优化与电磁性能优化设计流程，利用机器学习方法在天线风阻性能优化过程中建立计算复杂度低的代理模型加速设计过程，获得满足风阻设计目标的金属地的拓扑设计参数；
[0019]将满足风阻设计目标的金属地与辐射层
、
同轴馈线组成完整的交叉偶极子天线后，再利用机器学习方法加速天线的电磁性能优化过程，得到满足带宽
、
隔离度和增益指标要求的偶极子拓扑与天线的部分结构参数，最终得到既满足低风阻设计要求又满足电磁性能要求的双极化交叉偶极子天线
。
[0020]进一步地，所述天线的风阻性能优化，在先验知识的指导下，考虑到风阻的计算公式
[0021]F
w
＝
C
f
A
ref
q
p
[0022]其中
F
w
代表风阻，
C
f
是阻力系数，
A
ref
是投影面积的大小，
q
p
是动态压强且与风速的平方呈正相关；利用金属地的设计参数与金属地投影面积大小之间的对应关系，通过机器学习算法建立投影面积与风阻大小之间的计算复杂度低的代理模型
U
P
，提高风阻预测的准确度
。
[0023]进一步地，所述电磁性能优化的设计参数，同时包含偶极子拓扑的设计参数与天线的部分结构参数；所述天线的电磁性能优化结合了偶极子的拓扑优化与天线的结构参数优化；所述天线的电磁性能优化过程中，利用机器学习方法建立计算复杂度低的代理模型
取代耗时的全波仿真，加速天线的设计过程
。
[0024]进一步地，所述贯序优化设计过程中，天线风阻性能优化的输出是电磁性能优化的输入，根据风阻性能优化得到金属地的最优拓扑设计参数并在全波仿真软件中完成金属地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种机器学习辅助的天线结构层参数化拓扑设计与优化方法，其特征在于，包括如下步骤：设定一个初始网格图像并设置网格初始材料属性；设定用于选定网格点位置和数量的网格选择设计参数，以及用于对所选定网格点及其相邻网格点进行材料属性更改的材料属性设计参数；设定复杂图像生成设计参数，用于基于材料属性更改后的网格图像生成更复杂的网格图像，包括决定网格图像变换组合方式的参数
、
决定原网格图像与变换后网格图像的组合次序的参数以及组合次数的参数；对于图像旋转变换，还包括决定旋转角度的参数；对基于上述设计参数生成的复杂度更高的网格图像，提取不同材料属性的网格间的轮廓线，根据轮廓线进行建模得到一组设计参数下对应的拓扑结构；对于定义的天线性能优化目标，利用机器学习方法建立代理模型辅助性能优化，得到满足设计目标的结构层的拓扑设计参数
。2.
根据权利要求1所述的机器学习辅助的天线结构层参数化拓扑设计与优化方法，其特征在于，利用机器学习方法训练得到所述代理模型，通过在所有设计参数的取值范围内采样后进行仿真得到所述代理模型的训练数据集
。3.
根据权利要求1所述的机器学习辅助的天线结构层参数化拓扑设计与优化方法，其特征在于，用于天线金属地参数化拓扑设计与优化时，定义天线风阻性能优化目标，利用机器学习方法建立根据金属地投影面积得到风阻值的代理模型辅助性能优化，得到满足设计目标的金属地拓扑设计参数
。4.
根据权利要求1所述的机器学习辅助的天线结构层参数化拓扑设计与优化方法，其特征在于，用于天线偶极子参数化拓扑设计与优化时，定义天线电磁性能优化目标，利用机器学习方法建立根据设计参数和频率得到
S
参数和增益的代理模型辅助性能优化，得到满足设计目标的偶极子拓扑设计参数
。5.
根据权利要求4所述的机器学习辅助的天线结构层参数化拓扑设计与优化方法，其特征在于，天线金属地进行风阻性能优化设计后，将金属地与网状支撑结构组合，对天线整体进行电磁性能优化时，设计参数中增加决定网状支撑结构每行
/
列网格个数的设计参数，决定辐射层中不进行拓扑优化的区域大小的设计参数，决定设计区域与偶极子臂边缘之间的间隔区域大小的设计参数，决定辐射层直径大小的设计参数，决定同轴馈线周围的支撑结构大小的设计参数，决定偶极子臂的顶端角度大小的设计参数，以及决定辐射层与金属地之间距离的设计参数
。6.
一种贯序多物理场机器学习辅助的低风阻天线设计方法，其特征在于，包括如下步骤：基于权利要求1所述的参数化拓扑设计与优化方法，分别通过网格选择设计参数
、
材料属性设计参数和复杂图像生成设计参数改变天线金属地的拓扑结构，以及偶极子的拓扑结构，以优...

【专利技术属性】
技术研发人员：王海明，韩碧莹，无奇，余晨，
申请(专利权)人：东南大学，
类型：发明
国别省市：