Design and development of microstrip patch antennas For the new technologies

Abstract

تبحث هذه الأطروحة في استخدام نماذج التعلم الآلي MLلتحسين تصميم هوائيات الرقعة الميكروية، والتي تعد عنص ًرا أساسيًا في أنظمة الاتصالات الحديثة. وعلى الرغم من أن هذه الهوائيات واسعة الاستخدام بفضل حجمها الصغير وخفة وزنها، إلا أن أدائها يعتمد على دقة التصميم، والذي يتطلب تقليديًا طرقًا تكرارية. في هذا العمل، يتركز الاهتمام على هوائي ميكروي يعمل عند التردد 2.45غيغاهرتز، وهو تردد شائع الاستخدام ضمن نطاق ISMنظرا لاعتماده الواسع في تقنيات Wi-Fiو Bluetoothو RFIDو .IoTتهدف هذه الدراسة إلى تسريع وتحسين عملية تصميم الهوائي باستخدام تقنيات التعلم الآلي للتنبؤ بأبعاد الهوائي بنا ًء على معايير الأداء مثل معامل الانعكاس، والكسب، ونمط الإشعاع. كما تستعرض هذه الأطروحة مختلف تقنيات الهوائيات الميكروية، بما في ذلك طرق التغذية والتحليل، وتختبر عدة خوارزميات للتعلم الآلي مثل الغابات العشوائية Random Forestوآلة المتجهات الداعمة SVRوأشجار القرار والشبكات العصبية الاصطناعية ANN وقد تم تقييم أداء النماذج باستخدام مقاييس الخطأ مثل متوسط مربع الخطأ MSEومتوسط الخطأ المطلق MAEأظهرت النتائج أن نماذج التعلم الآلي، وخاصة الغابات العشوائية والشبكات العصبية الاصطناعية، تتفوق على الطرق التقليدية في التنبؤ بأبعاد الهوائي. علاوة على ذلك، أدى تطبيق الذكاء الاصطناعي إلى تحسين ملحوظ في أداء الهوائي، حيث تم تحسين معامل الانعكاس S11من -25dBإلى .-30dBوتبرز هذه الدراسة الإمكانات الكبيرة للتعلم الآلي في تعزيز كفاءة تصميم الهوائيات، وتقليص زمن وتكلفة التصميم، وتوفير قاعدة صلبة لدراسات مستقبلية في مجال تحسين الهوائيات. This thesis investigates the use of machine learning models (ML) to optimise the design of microstrip patch antennas, which are essential in modern communication systems. While microstrip antennas are widely used due to their compact and lightweight properties, their performance depends on accurate design, traditionally requiring iterative methods. In this work, the focus is placed on a microstrip antenna operating at 2.45 GHz, a widely adopted frequency within the ISM band due to its extensive use in Wi-Fi, Bluetooth, RFID, and IoT applications. This study aims to accelerate and improve antenna design by employing machine learning techniques to predict antenna dimensions based on performance metrics, such as return loss, gain, and radiation pattern. The research looks at different microstrip antenna technologies, including how they are fed and analysed, and examines various machine learning methods like Random Forest, Support Vector Regression (SVR), Decision Trees, and Artifcial Neural Networks (ANN). The models’ performance is assessed using error metrics like Mean Squared Error (MSE) and Mean Absolute Error (MAE). Results demonstrate that machine learning models, particularly Random Forest and ANN, outperform traditional methods in predicting antenna dimensions. Moreover, the application of ML led to a noticeable improvement in antenna performance, achieving an enhancement of the return loss (S11) from –25 dB to –30 dB. This research highlights the potential of ML to enhance antenna design efciency, reduce design time and cost, and offer a foundation for future studies in antenna optimisation.