Computational Intelligence for Electromagnetic Drives

Electromagnetic theory, serves as an important branch of physics, and its applications are always interesting objects penetrating our daily life, from telecommunication, biology to mobile devices. Recent developments of embedded electronic system in the last several decades have shown the needs of designing and optimizing electromagnetic drives such as antennas, filters and resonators...The solution to these problems always consists of two different parts: optimization algorithms and building up representative cost function. Each cost function describes one specific electromagnetic problem, it also indicates the design constraints and how to model EM system from geometrical parameters. In the first half of this thesis, the author concentrates on optimizing different structures from microstrip antenna and meta-material inspired antennas to frequency selective surfaces. However, when dealing with those sophisticated problems, engineers always have too many degrees of freedom to adjust. In order to tackle this issue, stochastic approach by evolutionary algorithms has been implemented. Afterwards, with the aim of fastening up the process, a surrogate-based technique by the use of Artificial Neural Network (ANN) with different training schemes has been employed. Regarding this methodology, all the EM structures have been modeled and EM fields have been calculated by full-wave analysis software. When an ANN is used as a substitution model, prior knowledge to train this adaptive system is still gained from already available full wave EM simulator. In the world of engineering, there are a number of canonical structures and problems that can be properly described and studied with a close form analysis. Such geometries are the analysis of scattering from bodies of revolution such as prolate and oblate spheroids. In the second half of this thesis, exact solutions for the radiation of primary sources on confocal spheroids are introduced. This typical problem of physic is interpreted by a large number of mathematical formulas and the solution seems to be very complicated. However, by using separations of variables into infinite series, abstract equations turn out to be visible. In other words, the author is trying to build the representative cost functions from the theoretical point of view. Once an exact solution is obtained, the optimization of scattered field are becomes feasible and practical effectiveness. In the scope of this research, many techniques have been implemented , such as Particle Swarm Optimization (PSO), Genetic Swarm Optimization (GSO), Meta-PSO Artificial Neural Network and a large set of spheroidal wave functions have to be used. The properties and the use of those methods are much different from each other however they serve on purpose. Once an EM problem is properly described, the best solution to one specific constraint should be obtained.

L’elettromagnetismo (EM) è un importante ramo della fisica e le sue applicazioni penetrano la nostra vita di tutti i giorni, dalle telecomunicazioni, alla biologia, ai dispositivi mobili. I recenti sviluppi nei sistemi elettronici incorporati hanno portato, negli ultimi decenni, a un aumento delle esigenze in termini di progettazione e ottimizzazione di componenti elettromagnetici come antenne, filtri e risonatori. La soluzione di questi problemi è sempre costituita da due fasi distinte: l’individuazione dell’algoritmo di ottimizzazione e la definizione di una funzione di costo sufficientemente rappresentativa del problema. In particolare, la funzione costo serve a descrivere uno specifico problema elettromagnetico, indicando anche i vincoli di progettazione, e a modellare il sistema EM partendo dai parametri geometrici. Nella prima metà di questa tesi, l'autore si concentra sull’ottimizzazione di diverse strutture, dalle antenna in microstriscia e ispirate ai meta-materiali fino alle superfici selettive in frequenza. Quando si affrontano problemi di tale complessità, gli ingegneri hanno sempre numerosi gradi di libertà su cui intervenire. Nello specifico, per affrontare questi problemi è stato implementato un approccio stocastico partendo da algoritmi evoluzionistici. Successivamente, allo scopo di velocizzare la procedura, si è impiegata una tecnica surrogata basata dall'uso reti neurali artificiali (ANN) con differenti schemi di apprendimento. Per quanto riguarda questo metodo, tutte le strutture e i campi EM sono stati validati da software di analisi full-wave: in particolare, quando l’ANN è usata come modello surrogato, il set di dati per l’apprendimento di questo sistema adattativo è anch’esso ottenuto da simulatori EM. Nel mondo dell'ingegneria, ci sono poi una serie di strutture e problemi canonici che possono essere adeguatamente descritti e studiati anche con un approccio analitico in forma chiusa; tra queste problematiche ci sono l'analisi di scattering da corpi di rivoluzione, come gli sferoidi prolati e oblati. Nella seconda metà di questa tesi vengono introdotte soluzioni analitiche esatte per la radiazione da fonti primarie su sferoidi confocali. Questo problema tipico della fisica normalmente viene descritto da un gran numero di formule matematiche e la soluzione appare complessa. Tuttavia, utilizzando separazioni di variabili in serie infinita, le equazioni risultanti sono più facilmente interpretabili. In pratica l'autore definisce le funzioni di costo rappresentative del problema partendo da un approccio analitico: una volta ottenuta la soluzione esatta, l'ottimizzazione del campo EM irradiato diventa un’operazione semplice ed efficace. Nell'ambito di questa ricerca, sono stati impiegati molti algoritmi, come ad esempio Particle Swarm Optimization (PSO), Genetic Swarm Optimization (GSO), Meta-PSO, ANN, e un ampio set di funzioni d'onda sferoidali. Le proprietà e l'uso di questi metodi sono molto diversi l'uno dall'altro, tuttavia ciascuno di essi serve a uno scopo preciso: una volta che il problema EM è correttamente descritto, la soluzione ottimale rispetto ai vincoli specificati può essere facilmente ottenuta.