Modelado Sustituto Integrativo BNN-LHS y Análisis Termo-Mecánico-EM para la Caracterización Mejorada de Filtros Pasa Bajos de Alta Frecuencia en COMSOL

Abstract

Esta tesis presenta un enfoque integral para la simulación, modelado y optimización de estructuras de alta frecuencia (HF), enfocándose específicamente en filtros de microstrip de paso bajo. La investigación aprovecha las simulaciones COMSOL Multiphysics dirigidas por MATLAB, explorando varios esquemas de mallado para la microcinta, el sustrato y la caja de aire bajo 3 diferentes condiciones de temperatura, que van desde -80.15ºC, 19.85ºC y 119.85ºC. Esta investigación resalta las características clave del software y los pasos de modelado esenciales para simulaciones precisas. El estudio introduce una metodología para desarrollar modelos sustitutos basados en electromagnetismo en el dominio de la frecuencia, considerando variaciones en las dimensiones físicas. Se comparan diversas técnicas de metamodelado, incluyendo redes neuronales de regresión generalizada (GRNN), Kriging y máquinas de vectores de soporte (SVM). COMSOL sirve como el modelo fino, generando datos de entrenamiento y prueba, mientras que MATLAB ayuda en el desarrollo de modelos sustitutos parametrizados. Los resultados indican una correspondencia razonable entre las respuestas del modelo fino y las de los modelos sustitutos, con precisión dependiendo de la técnica de metamodelado y del tamaño de la región de interés de entrenamiento. Abordando los desafíos en el diseño de estructuras HF, especialmente al incorporar simulaciones multifísicas, esta investigación evalúa el rendimiento de diferentes técnicas de aprendizaje de redes neuronales artificiales (ANN): Levenberg-Marquardt, Bayesiana y Resiliente, para modelar un filtro de paso bajo de segundo orden multifísico. La ANN Bayesiana demuestra un rendimiento superior, modelando de manera eficiente y precisa la respuesta multifísica. Además, se propone un marco avanzado de optimización térmica que integra una red neuronal bayesiana (BNN) con muestreo hipercubo latino (LHS) y variables de temperatura. Este marco refina el diseño de la malla para tener en cuenta los efectos térmicos, logrando simulaciones que reflejan de cerca las condiciones del mundo real. El estudio enfatiza el impacto de las variaciones de temperatura en el comportamiento electromagnético (EM), mejorando la precisión del modelado predictivo y proporcionando una metodología robusta para el desarrollo y optimización rápida de componentes EM en diversas condiciones ambientales. Finalmente, la tesis presenta un enfoque transformador para el análisis EM utilizando una BNN informada por LHS dentro de las simulaciones COMSOL. Este método explora sistemáticamente el impacto de la variabilidad de las dimensiones físicas en el comportamiento del filtro, logrando una alta fidelidad en el modelado predictivo. Al analizar métricas como el Error Cuadrático Medio (MSE), el Error Máximo de Aprendizaje (MLE) y el Error Máximo de Prueba (MTE), la investigación demuestra que las estrategias específicas de variación y muestreo mejoran significativamente el rendimiento del modelo. El modelo desarrollado establece un nuevo estándar de fiabilidad y resistencia en el diseño y fabricación de componentes electrónicos. En general, esta investigación contribuye al campo del diseño de estructuras HF al integrar técnicas de aprendizaje automático con la física computacional, potencialmente revolucionando el diseño y optimización de sistemas EM. Los hallazgos prometen reducciones significativas en los ciclos de desarrollo y mejoras en el rendimiento de dispositivos electrónicos, con amplias implicaciones para futuras investigaciones en telecomunicaciones, dispositivos médicos y otras aplicaciones que requieren un análisis EM preciso.