Análise de superfície seletiva de frequência utilizando redes neurais artificiais

Abstract

As superficies seletivas de frequencia (Frequency Selective Surface - FSS) sao um conjunto de arranjos periodicos, dispostos em um material dieletrico bidimensional, que tem como funcao filtrar sinais em uma determinada faixa de frequencia. Essas estruturas desempenham um papel muito importante nas telecomunicacoes, devido ao seu baixo custo, flexibilidade e facilidade na fabricacao. Nesse interim, suas aplicacoes atualmente envolvem respostas em frequencia multibanda e/ou banda larga com o auxilio de redes neurais artificiais (Artificial Neural Networks - ANN) para otimizacoes nos parametros das estruturas periodicas. Essa tecnologia e fundamental para aplicacoes em redes de telecomunicacoes, tendo em vista a alta demanda dos usuarios por mais velocidade tanto no envio quanto no recebimento de dados. Uma forma de encontrar as caracteristicas de filtragem desejadas para uma FSS pode ser fazendo o uso das redes neurais, uma vez que necessitam de baixo custo computacional e sao eficientes na resolucao de problemas complexos, quando comparada com os softwares comerciais ou tecnicas tradicionais. Dentre os metodos, destacam-se as redes MLP, que sao compostas por uma camada de entrada, uma ou mais camadas ocultas e uma camada de saida. Uma de suas aplicacoes envolvem, por exemplo, problemas de classificacao e regressao. Essa arquitetura de rede sera utilizada neste trabalho para obter as dimensoes fisicas da FSS de forma otimizada. Neste trabalho, utilizou-se uma geometria do tipo espira quadrada dupla. Um comparativo foi realizado entre os resultados gerados pela rede neural e um empilhamento de dois algoritmos de aprendizagem de maquina: Floresta Aleatoria (Random Forest) e o Regressor de Arvores Extra-Aleatorias (Extra-trees). A rede neural apresentou bons resultados, especialmente na espessura do dieletrico e nos dois comprimentos da fita; o empilhamento dos algoritmos demonstrou ser competitivo em varias metricas, dentre elas erro quadratico medio (MSE), media de erro absoluto (MAE) e coeficiente de determinacao R2. Alem disso, utilizou-se a IA explicavel (EXplainable Artificial Intelligence - XAI), que se demonstrou uma tecnica muito importante para compreender quais features impactavam mais o modelo.