Geri Dön

Derin öğrenme destekli dielektrik rezonatör anten tasarımı

Deep learning assisted dielectric resonator antenna design

PDF İndir

  1. Tez No: 1018512
  2. Yazar: FİDAN GAMZE KIZILÇAY
  3. Danışmanlar: DOÇ. DR. MUHAMMET HİLMİ NİŞANCI
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Hızla gelişen teknoloji ve artan performans gereksinimleri doğrultusunda, daha hızlı, düşük maliyetli ve yüksek doğrulukta sonuçlar sunabilen anten tasarımı ve elektromanyetik benzetim yöntemlerine duyulan ihtiyaç giderek artmaktadır. Özellikle geleneksel nümerik analiz süreçlerinin uzun hesaplama süreleri, anten tasarım döngülerinde önemli zaman kayıplarına yol açabilmektedir. Bu bağlamda, yapay zeka tabanlı yaklaşımlar anten tasarım süreçlerinin verimliliğini artırma potansiyeli taşımaktadır. Bu tez çalışmasında, 6–12 GHz frekans bandında çalışan içi oyuk çift bantlı silindirik dielektrik rezonatör anten (Hollow Dual-Band Cylindrical Dielectric Resonator Antenna, HDBC-DRA) geliştirilmiş ve rezonans frekansının doğru ve verimli biçimde tahmin edilebilmesi amacıyla yapay zekânın alt disiplinleri olan makine öğrenmesi (Machine Learning, ML) ve derin öğrenme (Deep Learning, DL) tabanlı yöntemler kapsamlı biçimde uygulanmıştır. Empedans bant genişliğini artırmak amacıyla anten geometrisine, simetri korunacak şekilde iki adet halka biçimli oyuk entegre edilmiş; dielektrik rezonatörün fiziksel geometrisini tanımlayan altı tasarım parametresi eş zamanlı olarak değerlendirilmiştir. Tasarım ve yapay zekâ modellerinin eğitimi için yüksek miktarda veriye ihtiyaç duyulması nedeniyle, söz konusu altı parametrenin 1000 farklı varyasyonunu içeren geniş bir veri seti oluşturulmuştur. Yüksek boyutlu tasarım uzayının etkin ve dengeli biçimde örneklenebilmesi amacıyla Latin Hiperküp Örnekleme (Latin Hypercube Sampling, LHS) yöntemi kullanılmış; CST Studio yazılım programı yardımıyla 1000 adet nümerik analiz gerçekleştirilmiştir. Analizler sonucunda, her parametre kombinasyonuna karşılık antenin rezonans frekansını içeren kapsamlı bir veri tabanı elde edilmiştir. Elde edilen veri setinde tasarım parametreleri ile rezonans frekansı arasındaki ilişkilerin incelenmesi amacıyla Pearson korelasyon analizi gerçekleştirilmiş ve korelasyon matrisi oluşturulmuştur. Analiz sonuçları, bazı parametrelerin rezonans frekansı üzerinde belirgin ve yönlü etkilere sahip olduğunu ortaya koymuş; bu ön değerlendirme hem anten tasarım sürecine hem de yapay zekâ modellerinde öznitelik çıkarımına yönelik önemli çıkarımlar sağlamıştır. Çalışmanın devamında tasarlanan dielektrik rezonatör antenin nümerik analizleri gerçekleştirilmiş ve antenin 7,07 GHz ve 10,25 GHz olmak üzere iki farklı rezonans frekansında çalıştığı ve bu sayede tasarımın çok bantlı uygulamalara uygun bir karakteristik sergilediği belirlenmiştir. Işıma örüntüleri incelendiğinde, 7,07 GHz ve 10,25 GHz çalışma frekans değerlerinde sırasıyla 4,80 dBi ve 5,89 dBi anten kazancı sergilediği görülmüştür. Çalışmanın devamında veri setine normalizasyon ve standartlaştırma işlemleri uygulanarak, ML ve DL modellerinin sistemi orijinal veri, normalize edilmiş veri ve standartlaştırılmış veri olmak üzere üç farklı veri yapısı üzerinden öğrenmesi sağlanmıştır. Model geliştirme sürecinde her veri seti 800 örnek eğitim ve 200 örnek test verisi olacak şekilde ayrılmış; rastgele orman regresyonu (Random Forest, RF), gradyan artırmalı regresyon (Gradient Boosting, GB), histogram gradyan artırmalı regresyon, ekstra ağaçlar regresyonu (Extra Trees, ET), uyarlanabilir artırmalı regresyon (Adaptive Boosting Regression, AdaBoost) ve torbalama tabanlı regresyon olmak üzere altı farklı ML algoritması uygulanmıştır. Modellerin performansları ortalama kare hata (Mean Squared Error, MSE), kök ortalama kare hata (Root Mean Squared Error, RMSE), ortalama mutlak hata (Mean Absolute Error, MAE) ve determinasyon katsayısı (R-Squared) ölçütleri kullanılarak karşılaştırılmıştır. Sonuçlar, ekstra ağaçlar (ET) modelinin 0,272 MSE, 0,522 RMSE, 0,318 MAE ve 0,858 R-Squared değerleriyle en başarılı geleneksel yöntem olduğunu göstermiş; bunu sırasıyla gradyan artırmalı ve rastgele orman modelleri izlemiştir. Çalışma kapsamında ayrıca, model performansının genellenebilirliğini değerlendirmek amacıyla veri setleri üzerinde beş katlı çapraz doğrulama uygulanmıştır. Bu yaklaşım sayesinde farklı veri alt kümeleri üzerindeki performans tutarlılığı analiz edilmiş; tekil eğitim-test ayrımına kıyasla hata metriklerinde sınırlı artış ve R-Squared değerlerinde kısmi düşüş gözlenmesine rağmen model sıralamasının büyük ölçüde korunduğu belirlenmiştir. Normalize edilmiş veri seti genel olarak daha başarılı sonuçlar üretmiş; özellikle ET modeli çapraz doğrulama sürecinde de en yüksek tahmin performansını sürdürmüştür. Elde edilen bulgular, performans kriterlerindeki sınırlı değişimlerin rastlantısal veri bölünmelerinden kaynaklanmadığını ve model sonuçlarının istikrarlı olduğunu göstermiştir. Buna ek olarak, çok katmanlı ileri beslemeli yapay sinir ağı (Multi-Layer Perceptron, MLP) mimarisi kullanılarak geliştirilen DL modeli uygulanan iyileştirme stratejileri sayesinde standartlaştırılmış veri seti ile 0,128 MSE, 0,358 RMSE, 0,234 MAE ve 0,933 R-Squared değerlerine ulaşılmıştır. Bu sonuçlar, en iyi geleneksel yönteme kıyasla MSE temelinde yaklaşık %53 oranında performans iyileştirmesi sağlandığını ve modelin rezonans frekansındaki toplam varyansın %93,3'ünü temsil edebildiğini göstermiştir. Modelin doğruluğunu değerlendirmek amacıyla rastgele ancak antenin dielektrik rezonatörünün fiziksel görünümünü iyi temsil eden bir tasarım parametre seti üzerinden yapılan karşılaştırmada, nümerik analizler sonucu elde edilen rezonans frekansı ile DL modeli tahmini arasındaki farkın yaklaşık %0,49 olduğu görülmüştür. MLP modelinin veri ön işleme yaklaşımına duyarlılığı ayrıca analiz edilmiş ve model her bir veri türü için 100 kez çalıştırılarak ortalama performans değerleri karşılaştırılmıştır. Elde edilen sonuçlar, standartlaştırılmış veri ile eğitilen MLP modelinin 0,254 MSE, 0,502 RMSE, 0,314 MAE ve 0,867 R-Squared değerleriyle en yüksek ortalama performansı sunduğunu; orijinal ve normalize edilmiş veri kullanımının ise belirgin performans kaybına yol açtığını göstermiştir. Sonuçlar standartlaştırma işleminin değişkenleri ortak bir ölçekte temsil ederek öğrenme sürecini dengeli hale getirdiğini ortaya koymaktadır. Birlikte değerlendirildiğinde, derin öğrenme yaklaşımının uygun veri ön işleme ve model iyileştirme teknikleri ile desteklendiğinde hem geleneksel makine öğrenmesi yöntemlerine hem de temel MLP yapılarına kıyasla daha yüksek doğruluk ve temsil gücü sunduğu sonucuna ulaşılmıştır. Elde edilen tüm sonuçlar birlikte değerlendirildiğinde, tasarlanan HDBC-DRA yapısının çift bantlı çalışma özelliği, kabul edilebilir empedans uyumu, kararlı ışıma verimi ve dengeli kazanç değerleri ile hedeflenen frekans aralığında etkin ve uygulamaya uygun bir performans sunduğu görülmüştür. Makine öğrenmesi ve derin öğrenme analizleri ise rezonans frekansının çok parametreli tasarım uzayında yüksek doğrulukla tahmin edilebildiğini ortaya koymuştur. Çapraz doğrulama sonuçları modellerin genellenebilirliğini doğrularken, veri ön işleme yöntemlerinin performans üzerinde belirleyici rol oynadığı açık biçimde gösterilmiştir. Özellikle uygun ölçeklendirme stratejileri ile desteklenen DL tabanlı yaklaşımın, geleneksel makine öğrenmesi yöntemlerine kıyasla daha yüksek doğruluk ve temsil gücü sağladığı belirlenmiştir. Böylece, zaman alıcı nümerik analizlerin yerine anten tasarım sürecini önemli ölçüde hızlandırabilecek, yapay zeka destekli ve mühendislik uygulamalarına entegre edilebilir bir tasarım metodolojisinin mümkün olduğu görülmüştür.

Özet (Çeviri)

In line with rapidly advancing technology and increasing performance requirements, the need for antenna design and simulation methods capable of delivering faster, lower-cost, and highly accurate results is steadily increasing. In particular, the long computation times of conventional electromagnetic simulation processes may lead to significant time losses in antenna design cycles. In this context, artificial intelligence-based approaches have the potential to enhance the efficiency of antenna design processes. In this thesis, a hollow dual-band cylindrical dielectric resonator antenna (HDBC-DRA) operating in the 6–12 GHz frequency band was designed, and machine learning (ML) and deep learning (DL), which are subfields of artificial intelligence, were applied to accurately and efficiently predict the resonance frequency. To increase the impedance bandwidth, the antenna geometry was designed to include two ring-shaped hollows without breaking symmetry, and six design parameters defining the physical geometry of the dielectric were evaluated simultaneously. Since a large amount of data is required for both antenna design and artificial intelligence models, a dataset containing 1000 different variations of the six design parameters was generated. The Latin hypercube sampling (LHS) method was used to create the dataset. In LHS, the value range of each design parameter is divided into equal subregions, and only one sample is selected from each subregion, allowing the entire parameter space to be represented in a more balanced and comprehensive manner. Thus, a more reliable and representative dataset was obtained for simulation-based analyses and machine learning applications. Through the developed desktop application, simulation results could be retrieved via the interface and compared graphically. Simulation outputs generated based on parameter variations were visualized. For each design, parameter values, frequency, S11, and bandwidth information were displayed simultaneously, enabling detailed comparisons. This allowed simulation results to be monitored on a single screen and the effects of parameter variations on performance to be analyzed systematically. This holistic evaluation approach contributed significantly to the optimization of the final antenna design. Using the generated dataset and 1000 full-wave electromagnetic simulations conducted in CST Studio Suite, a comprehensive dataset including the antenna's resonance frequency corresponding to all six dielectric design parameters was created. To examine the relationships between the design parameters and resonance frequency, Pearson correlation analysis was performed, and a correlation matrix was constructed. Although no strong linear correlations were found between the six design parameters and resonance frequency, certain variables were observed to have significant effects on frequency. Simulation-based validations supported the model's ability to learn complex and nonlinear relationships, revealing which variables the model was more sensitive to and providing critical insights for feature extraction. Thus, a systematic understanding of parameter-output relationships and an improvement in model prediction accuracy were achieved. This preliminary analysis enabled evaluations regarding antenna design and feature extraction in artificial intelligence models. The numerical analyses of the designed dielectric resonator antenna were subsequently carried out, revealing that the antenna operates at two distinct resonance frequencies, 7.07 GHz and 10.25 GHz, thereby demonstrating a design suitable for multiband applications. Examination of the radiation patterns indicated that the antenna achieves gains of 4.80 dBi and 5.89 dBi at the 7.07 GHz and 10.25 GHz operating frequencies, respectively. To increase dataset diversity and reduce potential negative effects arising from different feature scales during machine learning model training, normalization and standardization methods were applied. Normalization preserves directional information by scaling features of different magnitudes to a common range, while standardization provides distribution-based scaling by transforming the data to zero mean and unit variance. Thus, ML and DL models were applied to three different datasets: original, normalized, and standardized. Each dataset was divided into 800 training and 200 testing samples. Six ML regression algorithms were implemented: random forest regression, gradient boosting regression, histogram-based gradient boosting regression, extra trees regression, AdaBoost regression, and bagging regression. For each method, the optimal model configurations were systematically determined. To enhance predictive performance, key settings that directly affect performance, such as the number of trees, model complexity, splitting criteria, learning rate, and number of iterations, were evaluated over different value ranges. In addition, aspects related to how the model evaluates error and how data and features are subsampled were also optimized. This process was conducted using a randomized search-based cross-validation approach, and for each algorithm, configurations that limit overfitting, improve generalization capability, and provide the highest prediction accuracy were obtained. Model performances were compared using Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Coefficient of Determination (R-squared) metrics. Among these, the extra trees (ET) model achieved the best performance with 0.272 MSE, 0.522 RMSE, 0.318 MAE, and 0.858 R-squared, followed by gradient boosting and random forest models, respectively. To evaluate generalization performance, five-fold cross-validation was applied. The results showed limited increases in error metrics (MSE, RMSE, MAE) and slight decreases in R-squared values compared to a single train-test split, while model rankings were largely preserved. The normalized dataset yielded better overall performance across models. In particular, the Extra Trees model achieved 0.354 MSE, 0.592 RMSE, 0.374 MAE, and 0.804 R-squared. Gradient Boosting and Random Forest also produced low error values, whereas AdaBoost showed the weakest performance across all preprocessing approaches. Cross-validation confirmed the stability of model rankings and the consistent superiority of the ET model trained on normalized data. In addition, a multilayer feedforward artificial neural network (MLP) was designed, and its architectural structure was systematically optimized. The number of layers and the distribution of neurons were determined progressively based on the model's validation performance; consequently, a structure comprising nine hidden layers in addition to one input and one output layer was obtained. The number of neurons was gradually reduced across the layers to establish a balanced configuration between representational capacity and model complexity. To enhance the generalization capability of the DL model and to prevent overfitting, regularization strategies such as early stopping, validation-based learning rate reduction, and saving the best-performing model weights were employed. The adaptive reduction of the learning rate during training enabled more stable convergence of the optimization process towards stationary points. Furthermore, multiple training runs were conducted to reduce performance variability arising from random weight initialization, and rather than relying on a single best result, the model performance was analyzed based on average outcomes. This approach contributed to ensuring that the findings are statistically more reliable and reproducible. Within this optimized framework, the training process was carried out using the adaptive moment estimation (Adam) optimizer. The multilayer perceptron architecture was trained with Adam to accelerate and stabilize the learning dynamics. Compared to classical stochastic gradient descent methods, Adam automatically adjusts adaptive learning rates, momentum, and gradient updates, thereby shortening training time and reducing the risk of getting trapped in local minima. The rectified linear unit (ReLU) activation function was used in the DL model. ReLU outputs zero for negative values and a linear output for positive values, effectively mitigating the vanishing gradient problem. This enables more effective weight updates in deep networks and accelerates training. Additionally, ReLU introduces sparsity in network outputs, enhancing generalization capability. Its computational simplicity further speeds up training and improves learning efficiency for high-dimensional design parameters. With additional performance improvement strategies, the DL model achieved 0.128 MSE, 0.358 RMSE, 0.234 MAE, and 0.933 R-squared using the standardized dataset. These results indicate approximately a 53% performance improvement in MSE compared to the best traditional method and show that the model explains 93.3% of the total variance in resonance frequency. In a validation test using a randomly selected yet physically representative parameter set, the difference between the electromagnetic simulation result and the DL prediction was approximately 0.49%. Sensitivity analysis of preprocessing approaches showed that the MLP trained with standardized data achieved the best average performance, yielding 0.254 MSE, 0.502 RMSE, 0.314 MAE, and an R-squared of 0.867, while the original and normalized datasets led to noticeable performance degradation. These findings demonstrate that standardization balances the learning process by representing variables on a common scale. Considering all results together, the designed HDBC-DRA structure demonstrates effective and application-ready performance in the target frequency range, exhibiting dual-band operation, acceptable impedance matching, stable radiation efficiency, and balanced gain values. Machine learning and deep learning analyses further reveal that the resonance frequency can be accurately predicted within the multi-parameter design space. Cross-validation results confirm the generalizability of the models, while the impact of data preprocessing methods on performance is clearly demonstrated. In conclusion, the DL-based approach supported by appropriate scaling strategies provides higher accuracy and representational capability than conventional ML methods. Thus, it has been demonstrated that an artificial intelligence-assisted antenna design methodology, capable of significantly accelerating the design process in place of time-consuming electromagnetic simulations and suitable for integration into engineering applications, is feasible.

Benzer Tezler

  1. Tez No

    981681

    Design and optimization of compact vivaldi antenna with matching medium for microwave brain imaging applications

    Mikrodalga beyin görüntüleme uygulamaları için eşleştirme ortamına sahip kompak vıvaldı antenin tasarımı ve optimizasyonu

    CAFER UYANIK

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN

  2. Tez No

    987324

    AI-driven enhancement and risk detection in microwave systems

    Mikrodalga sistemlerde yapay zeka destekli iyileştirme ve risk tespiti

    İBRAHİM HALİL BAYAT

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN

    DR. ÖĞR. ÜYESİ SEMİH DOĞU

  3. Tez No

    981917

    Artificial intelligence applications in microwave and mmwave sensing

    Mikrodalga ve milimetre dalga algılamada yapay zeka uygulamaları

    MUHAMMED İSMAİL PENÇE

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. MEHMET NURİ AKINCI

  4. Tez No

    816355

    Derin öğrenme destekli görüntü işleme teknikleri ile endüstriyel kesici takımların kalan ömürlerinin tahminlenmesi

    Prediction of remaining life of industrial cutting tools with deep learning assisted image processing techniques

    GİZEM ESER ERDEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RECEP ERYİĞİT

  5. Tez No

    996732

    Derin öğrenme destekli endüstriyel robotlarda otonom al ve yerleştirme

    Autonomous pick-and-place in industrial robots supported by deep learning

    ABDUL RAZZAK KHATIB

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Mekatronik MühendisliğiFırat Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖMÜR AYDOĞMUŞ

Geri Dön