Modeling of systems and processes Modeling of systems and processes Моделирование систем и процессов 2219-0767 120329 10.12737/2219-0767-2026-19-1-14-20 Технические науки Технические науки Predicting the effectiveness of meta-screen screening using a neural network approach Прогнозирование эффективности экранирования метаэкрана с применением нейросетевого подхода Гайнутдинов Рустам Рафкатович Gaynutdinov Rustam Rafkatovich Ишанов А Р Ishanov A R 24 04 2026 24 04 2026 19 1 14 20 08 04 2026 https://zh-szf.ru/en/nauka/article/120329/view

В данной работе предлагается подход к прогнозированию значения эффективности экранирования метаэкрана на основе искусственной нейронной сети. Метаэкран рассматривается как периодическая структура из резонаторных медных пластин на диэлектрической подложке. Выполнено обучение искусственной нейронной сети для задачи прогнозирования эффективности экранирования метаэкрана, на основе данных компьютерного моделирования в качестве эталонных значений, что продемонстрировало потенциальную применимость метода в реальных условиях. На основе численного моделирования формируется выборка, включающая значения эффективности экранирования в дБ на целевой частоте для различных сочетаний параметров. Для аппроксимации нелинейного отображения вектора X в значение эффективности экранирования используется многослойная полносвязная нейронная сеть, обучаемая в надзорном режиме с применением метрики средней абсолютной процентной ошибки. Анализируются влияние гиперпараметров и структуры сети на сходимость и точность модели. Показано, что при оптимальном выборе архитектуры тестовая ошибка прогноза не превышает 7.01%, а рассчитанные значения эффективности экранирования хорошо согласуются с результатами электродинамического моделирования. Полученные результаты демонстрируют возможность использования разработанной модели в задачах ускоренного параметрического синтеза метаэкранов и автоматизации процедур прогнозирования эффективности экранирования.

This paper proposes an approach to predicting the effectiveness of meta-screen screening based on an artificial neural network. The meta-screen is considered as a periodic structure of resonator copper plates on a dielectric substrate. An artificial neural network was trained for the task of predicting the effectiveness of meta-screen screening, based on computer modeling data as reference values, which demonstrated the potential applicability of the method in real conditions. Based on numerical simulation, a sample is formed that includes the values of the shielding efficiency in dB at the target frequency for various combinations of parameters. To approximate the nonlinear mapping of vector X to the value of screening efficiency, a multilayer fully connected neural network is used, trained in a supervised mode using the metric of the average absolute percentage error. The influence of hyperparameters and network structure on the convergence and accuracy of the model is analyzed. It is shown that with the optimal choice of architecture, the test prediction error does not exceed 7.01%, and the calculated values of the shielding efficiency are in good agreement with the results of electrodynamic modeling. The results obtained demonstrate the possibility of using the developed model in the tasks of accelerated parametric synthesis of meta-screens and automation of procedures for predicting screening efficiency.

 метаэкран экранирование электромагнитная совместимость искусственная нейронная сеть meta-screen shielding electromagnetic compatibility artificial neural network.

Гайнутдинов Р.Р., Чермошенцев С.Ф. Методология исследования электромагнитной стойкости технических систем при внешних электромагнитных воздействиях от нескольких источников // Известия высших учебных заведений. Авиационная техника. 2023. № 1. С. 135-141. Gainutdinov R.R., Chermoshentsev S.F. Methodology of research of electromagnetic resistance of technical systems under external electromagnetic influences from several sources // Izvestiya vysshikh uchebnykh zavedeniy. Aviation equipment. 2023. No. 1. pp. 135-141. Гайнутдинов Р.Р. Исследование эффективности экранирования композитного материала для фюзеляжа летательного аппарата // Труды МАИ. 2023. № 133. Gainutdinov R.R. Investigation of the effectiveness of shielding composite material for the fuselage of an aircraft // Proceedings of MAY 2023, No. 133. Hossain M.B., Faruque M.R.I., Islam M.T. Double elliptical resonator based quadruple band metamaterial absorber for EMI shielding applications in microwave regime // Alexandria Engineering Journal. 2023. Vol. 69. P. 193-206. DOI: 10.1016/j.aej.2023.01.035. Hossain M.B., Faruque M.R.I., Islam M.T. Double elliptical resonator based quadruple band metamaterial absorber for EMI shielding applications in microwave regime // Alexandria Engineering Journal. 2023. Vol. 69. P. 193-206. DOI: 10.1016/j.aej.2023.01.035. Felbacq D. An Invitation to Metamaterials: Theory and Applications. Cham: Springer, 2025. XVIII, 382 p. (Lecture Notes in Applied and Computational Mechanics; vol. 101). ISBN 978-3-031-86587-9. Felbacq D. An Invitation to Metamaterials: Theory and Applications. Cham: Springer, 2025. XVIII, 382 p. (Lecture Notes in Applied and Computational Mechanics; vol. 101). ISBN 978-3-031-86587-9. Гайнутдинов Р.Р., Чермошенцев С.Ф. Экспериментальные исследования электромагнитных помех в линиях связи летательного аппарата при влиянии излучений антенн радиопередатчиков // Известия высших учебных заведений. Авиационная техника. 2024. № 4. С. 198-204. Gainutdinov R.R., Chermoshentsev S.F. Experimental studies of electromagnetic interference in aircraft communication lines under the influence of radiation from radio transmitter antennas // News of higher educational institutions. Aviation equipment. 2024. No. 4. pp. 198-204. Иванов А.А., Комнатнов М.Е. Устройство для косвенных измерений эффективности электромагнитного экранирования малогабаритных экранирующих конструкций // Журнал радиоэлектроники [Электронный ресурс]. 2022. № 11. URL: https://doi.org/10.30898/1684-1719.2022.11.1. Ivanov A.A., Komnatnov M.E. A device for indirect measurements of the effectiveness of electromagnetic shielding of small-sized shielding structures // Journal of Radio Electronics [Electronic resource]. 2022. № 11. URL: https://doi.org/10.30898/1684-1719.2022.11.1. Qiu Y., Ye H., Zhang H., Zheng Y. Machine learning-driven optimization design of hydrogel-based negative hydration expansion metamaterials // Computer-Aided Design. 2024. Vol. 166. 103631. DOI: 10.1016/j.cad.2023.103631. Qiu Y., Ye H., Zhang H., Zheng Y. Machine learning-driven optimization design of hydrogel-based negative hydration expansion metamaterials // Computer-Aided Design. 2024. Vol. 166. 103631. DOI: 10.1016/j.cad.2023.103631. Boukraichi H., Akkari N., Casenave F., Ryckelynck D. A priori compression of convolutional neural networks for wave simulators // Engineering Applications of Artificial Intelligence. 2023. Vol. 126, Part C. 106973. DOI: 10.1016/j.engappai.2023.106973. Boukraichi H., Akkari N., Casenave F., Ryckelynck D. A priori compression of convolutional neural networks for wave simulators // Engineering Applications of Artificial Intelligence. 2023. Vol. 126, Part C. 106973. DOI: 10.1016/j.engappai.2023.106973. Гизатуллин З.М., Фатыхов И.Д., Нуртдинов Р.С. Прогнозирование побочного электромагнитного излучения от преобразователя электроэнергии с использованием искусственной нейронной сети // Журнал радиоэлектроники [Электронный ресурс]. 2025. № 8. DOI: 10.30898/1684-1719.2025.8.13. Gizatullin Z.M., Fatykhov I.D., Nurtdinov R.S. Prediction of side electromagnetic radiation from an electric power converter using an artificial neural network // Journal of Radio Electronics [Electronic resource]. 2025. No. 8. DOI: 10.30898/1684-1719.2025.8.13. Амирханов А.А., Гайнутдинов Р.Р. Прогнозирование перекрестных помех в кабельных линиях связи летательных аппаратов на основе искусственной нейронной сети // Труды МАИ. 2024. № 139. Amirkhanov A.A., Gainutdinov R.R. Prediction of crosstalk in aircraft communication cable lines based on an artificial neural network // Proceedings of MAY 2024, No. 139. Kubík Z., Skála J. Shielding Effectiveness Simulation of Small Perforated Shielding Enclosures Using FEM // Energies. 2016. Vol. 9, no. 3. P. 129. DOI: 10.3390/en9030129. Kubík Z., Skála J. Shielding Effectiveness Simulation of Small Perforated Shielding Enclosures Using FEM // Energies. 2016. Vol. 9, no. 3. P. 129. DOI: 10.3390/en9030129. Periyasamy A.P., Muthusamy L.P., Militký J. Neural network model applied to electromagnetic shielding effectiveness of ultra-light Ni/Cu coated polyester fibrous materials // Scientific Reports. 2022. Vol. 12. 8609. DOI: 10.1038/s41598-022-12593-8. Periyasamy A.P., Muthusamy L.P., Militký J. Neural network model applied to electromagnetic shielding effectiveness of ultra-light Ni/Cu coated polyester fibrous materials // Scientific Reports. 2022. Vol. 12. 8609. DOI: 10.1038/s41598-022-12593-8. Feng Y., Li P., Xi R., Yun Y., Ren J., Yin Y.-Z. Broadband Phase Prediction of Electromagnetic Metamaterials Based on Deep Neural Network // Proceedings of 2021 IEEE 4th International Conference on Electronic Information and Communication Technology (ICEICT). 2021. P. 804-807. DOI: 10.1109/ICEICT53123.2021.9531157. Feng Y., Li P., Xi R., Yun Y., Ren J., Yin Y.-Z. Broadband Phase Prediction of Electromagnetic Metamaterials Based on Deep Neural Network // Proceedings of 2021 IEEE 4th International Conference on Electronic Information and Communication Technology (ICEICT). 2021. P. 804-807. DOI: 10.1109/ICEICT53123.2021.9531157. Dimitriadis A.I., Karamanos T.D., Kantartzis N.V., Tsiboukis T.D. Effective-surface modeling of infinite periodic metascreens exhibiting the extraordinary transmission phenomenon // Journal of the Optical Society of America B. 2016. Vol. 33, no. 3. P. 434-444. Dimitriadis A.I., Karamanos T.D., Kantartzis N.V., Tsiboukis T.D. Effective-surface modeling of infinite periodic metascreens exhibiting the extraordinary transmission phenomenon // Journal of the Optical Society of America B. 2016. Vol. 33, no. 3. P. 434-444. Cerniauskas G., Sadia H., Alam P. Machine intelligence in metamaterials design: a review // Oxford Open Materials Science. 2024. Vol. 4, no. 1. itae001. DOI: 10.1093/oxfmat/itae001. Cerniauskas G., Sadia H., Alam P. Machine intelligence in metamaterials design: a review // Oxford Open Materials Science. 2024. Vol. 4, no. 1. itae001. DOI: 10.1093/oxfmat/itae001. Gao J., Feng C., Wu X., et al. Deep neural network training method based on vectorgraphs for designing of metamaterial broadband polarization converters // Scientific Reports. 2023. Vol. 13. 5009. DOI: 10.1038/s41598-023-32142. Gao J., Feng C., Wu X., et al. Deep neural network training method based on vectorgraphs for designing of metamaterial broadband polarization converters // Scientific Reports. 2023. Vol. 13. 5009. DOI: 10.1038/s41598-023-32142. Tiwari S., Sharma P., Ali S. Metamaterial Parameter Estimation by Machine Learning Method // Research Square [Preprint]. 2024. DOI: 10.21203/rs.3.rs-4650387/v1. Tiwari S., Sharma P., Ali S. Metamaterial Parameter Estimation by Machine Learning Method // Research Square [Preprint]. 2024. DOI: 10.21203/rs.3.rs-4650387/v1. Tian Z., Yang Y., Zhou S., et al. High-dimensional Bayesian optimization for metamaterial design // MGE Advances. 2024. Vol. 2, no. 4. e79. DOI: 10.1002/mgea.79. Tian Z., Yang Y., Zhou S., et al. High-dimensional Bayesian optimization for metamaterial design // MGE Advances. 2024. Vol. 2, no. 4. e79. DOI: 10.1002/mgea.79. Yang Z., Buehler M.J. High-Throughput Generation of 3D Graphene Metamaterials and Property Quantification Using Machine Learning // Small Methods. 2022. Vol. 6. 2200537. DOI: 10.1002/smtd.202200537. Yang Z., Buehler M.J. High-Throughput Generation of 3D Graphene Metamaterials and Property Quantification Using Machine Learning // Small Methods. 2022. Vol. 6. 2200537. DOI: 10.1002/smtd.202200537. Z. Yang, M. J. Buehler, High-Throughput Generation of 3D Graphene Metamaterials and Property Quantification Using Machine Learning. Small Methods 2022, 6, 2200537. https://doi.org/10.1002/smtd.202200537 Z. Yang, M. J. Buehler, High-Throughput Generation of 3D Graphene Metamaterials and Property Quantification Using Machine Learning. Small Methods 2022, 6, 2200537. https://doi.org/10.1002/smtd.202200537