УДК 621.396 Аппаратура и методы радиосвязи
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.
метаэкран, экранирование, электромагнитная совместимость, искусственная нейронная сеть
1. 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.
2. Гайнутдинов Р.Р. Исследование эффективности экранирования композитного материала для фюзеляжа летательного аппарата // Труды МАИ. 2023. № 133.
3. 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:https://doi.org/10.1016/j.aej.2023.01.035.
4. 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.
5. 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.
6. 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.
7. 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:https://doi.org/10.1016/j.cad.2023.103631.
8. 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:https://doi.org/10.1016/j.engappai.2023.106973.
9. 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:https://doi.org/10.30898/1684-1719.2025.8.13.
10. Амирханов А.А., Гайнутдинов Р.Р. Прогнозирование перекрестных помех в кабельных линиях связи летательных аппаратов на основе искусственной нейронной сети // Труды МАИ. 2024. № 139.
11. Kubík Z., Skála J. Shielding Effectiveness Simulation of Small Perforated Shielding Enclosures Using FEM // Energies. 2016. Vol. 9, no. 3. P. 129. DOI:https://doi.org/10.3390/en9030129.
12. 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:https://doi.org/10.1038/s41598-022-12593-8.
13. 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:https://doi.org/10.1109/ICEICT53123.2021.9531157.
14. 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.
15. Cerniauskas G., Sadia H., Alam P. Machine intelligence in metamaterials design: a review // Oxford Open Materials Science. 2024. Vol. 4, no. 1. itae001. DOI:https://doi.org/10.1093/oxfmat/itae001.
16. 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:https://doi.org/10.1038/s41598-023-32142.
17. Tiwari S., Sharma P., Ali S. Metamaterial Parameter Estimation by Machine Learning Method // Research Square [Preprint]. 2024. DOI:https://doi.org/10.21203/rs.3.rs-4650387/v1.
18. Tian Z., Yang Y., Zhou S., et al. High-dimensional Bayesian optimization for metamaterial design // MGE Advances. 2024. Vol. 2, no. 4. e79. DOI:https://doi.org/10.1002/mgea.79.
19. 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:https://doi.org/10.1002/smtd.202200537.
20. 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
