Banca de QUALIFICAÇÃO: LUCAS ABRANTES SARMENTO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : LUCAS ABRANTES SARMENTO
DATA : 29/05/2026
HORA: 10:00
LOCAL: Videoconferência
TÍTULO:

DESENVOLVIMENTO DE MODELOS DE APRENDIZADO DE MÁQUINA PARA PROJETO DE SUPERFÍCIES SELETIVAS EM FREQUÊNCIA

PALAVRAS-CHAVES:

Superfícies Seletivas em Frequência, IA Explicável, Aprendizado de Máquina.

PÁGINAS: 37
RESUMO:

As Superfícies Seletivas em Frequência (FSS) desempenham um papel importante em aplicações de antenas, blindagem eletromagnética e em sistemas modernos de telecomunicações, incluindo redes 5G e Wi-Fi. O projeto dessas estruturas periódicas demanda de uma alta complexidade matemática e não há equações que generalizem para geometrias mais complexas. Métodos analíticos como o Método Circuito Equivalente, embora sejam computacionalmente eficientes, apresenta uma limitação na sua acurácia e uma generalização restrita. Já o Método dos Elementos Finitos, apesar de ser mais preciso, exige intensas simulações e alto consumo de memória. Nesse contexto, este trabalho propõe o desenvolvimento de modelos de aprendizado de máquina a partir do tratamento detalhado do banco de dados gerados por variações paramétricas das espiras quadrada e circular, com o objetivo de predizer as dimensões da FSS a partir de parâmetros espectrais desejados. A geração dos dados é realizada no software de simulação comercial HFSS, utilizando substrato FR-4, com variações na periodicidade, largura da fita e dimensão do laço. O algoritmo Random Forest Regressor obtém a melhor precisão na frequência de ressonância para a espira quadrada, com erro relativo de 0,34% para a frequência-alvo de 5,8 GHz, e a análise SHAP confirma que o comprimento da espira é o parâmetro de maior influência sobre a frequência de ressonância. A outra análise consiste no estudo das espiras quadrada e circular a partir de uma análise e tratamento detalhado de dados e na construção de dois bancos de dados para cada estrutura, considerando o impacto da manipulação matemática da periodicidade nas predições. Dessa forma, essa nova configuração utiliza de redes neurais para construção dos modelos e prevê as dimensões de saída da FSS. As frequências de projeto adotadas na predição são GHz, GHz e GHz. A alteração da periodicidade eleva o coeficiente de determinação do parâmetro para 0,91 na espira quadrada e 0,97 na espira circular. Como trabalhos futuros, pretende-se expandir a capacidade de generalização dos modelos de aprendizado de máquina para geometrias mais complexas, como dipolo cruzado, tripolo, hexagonais, octogonais e cruz de Jerusalém, explorando estruturas simples para predição de estruturas periódicas mais complexas, esperando-se elevados valores de coeficiente de determinação e que os resultados sejam condizentes com a literatura.

MEMBROS DA BANCA:
Presidente - 1158600 - ISAAC BARROS TAVARES DA SILVA
Interno - 1161204 - IDALMIR DE SOUZA QUEIROZ JÚNIOR
Externo à Instituição - ANTONIO LUIZ PEREIRA DE SIQUEIRA CAMPOS - UFRN