Thuật toán Lỗ đen cải tiến Improved Black Hole - IBH xây dựng trên nền tảng Python được kết hợp với phần mềm mô phỏng ăng ten CST Microwave Studio để tối ưu thiết kế của các ăng ten đa b
TỔNG QUAN VỀ ĂNG TEN TIẾN HOÁ
Tổng quan chung về công nghệ 5G
1.1.1 Tổng quan về hệ thống Internet toàn cầu
Sự phát triển của xã hội đang thúc đẩy những thay đổi trong lĩnh vực liên lạc di động và không dây, đặc biệt trong các dịch vụ thiết yếu như ngân hàng, giáo dục và y tế, ngày càng trở nên tiện lợi hơn và phát triển theo hướng từ xa Những tiến bộ này tạo ra một nhu cầu lớn về lưu lượng truy cập không dây.
Hình 1.1 Lưu lượng di động toàn cầu từ năm 2017-2022 [1]
Trong tương lai, sự phát triển của công nghệ giao lưu thông tin dự kiến sẽ dẫn đến sự gia tăng đáng kể số lượng thiết bị truyền thông Internet of Things (IoT) sẽ mang lại cuộc sống hàng ngày an toàn và thoải mái hơn Dự đoán cho thấy số người dùng Internet sẽ tăng từ 3.9 tỷ (51% dân số toàn cầu) năm 2018 lên 5.3 tỷ (66% dân số toàn cầu) năm 2023 Số lượng thiết bị và kết nối toàn cầu có thể đạt gần 30 tỷ vào năm 2023.
Hình 1.2 Dữ liệu người dùng, thiết bị và kết nối của toàn cầu [2]
1.1.2 Sự phát triển của hệ thống truyền thông không dây
Mạng thông tin di động 1G, được giới thiệu vào những năm 1970, sử dụng các tiêu chuẩn viễn thông tương tự và điều chế tần số cho kênh thoại Tuy nhiên, hệ thống này gặp nhiều nhược điểm như chất lượng giọng nói kém, tuổi thọ pin ngắn, kích thước điện thoại lớn, thiếu bảo mật, tần suất giảm cuộc gọi, dung lượng hạn chế và độ tin cậy thấp.
Mạng thông tin di động 2G, được giới thiệu vào những năm 1980, sử dụng công nghệ GSM (Global System for Mobile Communication) với hệ thống kỹ thuật số chủ yếu phục vụ cho thoại và dịch vụ dữ liệu tốc độ thấp Công nghệ này dựa trên mạch chuyển mạch, giúp kết nối các hệ thống cho cuộc gọi nhưng gặp phải nhược điểm về hiệu suất thấp trong việc sử dụng băng thông và tài nguyên Hệ thống GSM không hỗ trợ tốc độ dữ liệu cao và thường không thể xử lý các dữ liệu phức tạp như video.
Mạng thông tin di động 3G có khả năng xử lý dữ liệu phức tạp như video và hỗ trợ tốc độ dữ liệu cao Hệ thống này sử dụng kỹ thuật truy cập nhiều bộ phận (CDMA), mang lại trải nghiệm đa phương tiện cho người dùng Công nghệ 3G cho phép sử dụng các ứng dụng video, âm thanh và đồ họa, đồng thời hứa hẹn tăng băng thông lên 384 kbps khi đi bộ, 128 kbps khi di chuyển bằng xe hơi và 2 Mbps trong các ứng dụng cố định.
Mạng thông tin di động 4G đang được áp dụng rộng rãi trên toàn thế giới, mang đến giải pháp an toàn và toàn diện cho các thiết bị di động và không dây Hệ thống này cho phép người dùng truy cập internet, tham gia vào các dịch vụ chơi game và thưởng thức nội dung đa phương tiện trực tuyến Các công nghệ tiên tiến như COFDM, MIMO và liên kết thích ứng (link adaptation) được tích hợp trong hệ thống 4G, nâng cao hiệu suất và trải nghiệm người dùng.
Hình 1.3 So sánh các thế hệ hệ thống không dây [4]
Các nghiên cứu hiện đang tập trung vào mạng thông tin di động 5G, với khả năng đáp ứng toàn bộ yêu cầu mà công nghệ 4G chưa thể thực hiện 5G mang lại băng thông cao cho điện thoại di động, cho phép sử dụng các tính năng tiên tiến, làm cho công nghệ này trở thành lựa chọn mạnh mẽ và được ưa chuộng trong tương lai gần Những công nghệ thế hệ thứ 5 tối ưu hóa năng lượng và cung cấp nhiều tính năng hơn, mang lại nhiều lợi ích phi thường cho người dùng.
- 5G có vùng phủ sóng tốt hơn và tốc độ dữ liệu cao
- 5G có mức tiêu thụ pin thấp
- Tính khả dụng của nhiều đường truyền dữ liệu
- Tốc độ dữ liệu khoảng 1 Gbps
Để triển khai các mạng di động như 2G, 3G, 4G và đặc biệt là mạng 5G, các quốc gia trên thế giới đang chú trọng vào ba băng tần chính: băng tần thấp, băng tần trung và băng tần cao Việc tối ưu hóa hiệu quả năng lượng và hiệu suất phổ là yếu tố then chốt trong quá trình này, nhằm đảm bảo mạng lưới hoạt động hiệu quả và bền vững hơn.
Băng tần 5G được chia thành ba loại: băng tần thấp dưới 1 GHz, băng tần trung từ 1 GHz đến 6 GHz và băng tần cao (mmWave) từ 24 GHz đến 100 GHz Việc triển khai băng tần trên 24 GHz gặp nhiều khó khăn và chủ yếu chỉ thực hiện ở các quốc gia phát triển như Mỹ, Đức, Hàn Quốc và Nhật Bản Trong khi đó, các quốc gia đang phát triển như Việt Nam thường tập trung vào việc phát triển công nghệ 5G cho các băng tần dưới 6 GHz Do đó, bài luận văn này sẽ tập trung vào việc tìm hiểu và thiết kế ăng ten 5G cho băng tần dưới 6 GHz.
1.1.3 Một số ăng ten 5G đa băng tần dưới 6 GHz
1.1.3.1 Ăng ten băng thông rộng nhỏ gọn cho hệ thống 5G
Một ăng ten băng thông rộng trong suốt (10 × 12 × 1.48 mm) đã được nghiên cứu cho hệ thống 5G với yêu cầu tốc độ dữ liệu cao Thiết kế ăng ten bao gồm các nhánh hình chữ nhật được tối ưu hóa để đạt được đặc tính băng rộng, với trở kháng băng thông lên đến 58,71% và dải tần phủ từ 23.92 – 43.8 GHz Kết quả tính toán và đo lường cho thấy ăng ten nhỏ gọn này là một ứng cử viên xuất sắc cho các hệ thống truyền thông 5G và các ứng dụng băng rộng nhiều truy cập.
Hình 1.4 Thiết kế ăng ten cho băng thông rộng 5G
Hình 1.5 Hệ số phản xạ mô phỏng (đường liền) và thực tế (nét đứt) [6]
Giá trị đo được của S11 cho thấy sự tương thích tốt với kết quả mô phỏng, cho thấy ăng ten này phù hợp với ứng dụng trong lĩnh vực truyền thông 5G.
1.1.3.2 Ăng ten nhỏ gọn hình chữ E và chữ U cho ứng dụng 5G
Một ăng ten nhỏ gọn với thiết kế rãnh kép đa băng tần mới mẻ được phát triển cho phát sóng kỹ thuật số không dây và 5G dưới 6 GHz Ăng ten này hỗ trợ nhiều băng tần, bao gồm (750-790 MHz) cho sóng kỹ thuật số, (1.41-1.45 GHz) cho y tế không dây, (2.10-2.14 GHz) cho dịch vụ viễn thông Di động đa năng (UMTS), và (3.44-3.51 GHz) cho WiMAX/sub.
Ăng ten 6 GHz 5G hoạt động trong các dải tần từ 3.80-3.87 GHz, 5.17-5.20 GHz cho mạng cục bộ không dây (WLAN) và 5.97-6.38 GHz cho kết nối cố định Với thiết kế hình chữ U và E ngược, ăng ten có kích thước tổng thể 30 ÷ 1.6 mm³, mang lại hiệu suất nhỏ gọn Mẫu bức xạ đa hướng của ăng ten đạt được độ lợi trên 1.1 dBi và hiệu suất 78% trong các dải tần được đề xuất Quá trình chế tạo ăng ten đã tối ưu hóa kích thước hình học, cho kết quả đo lường khớp tốt với mô phỏng.
Hình 1.6 Hình của ăng ten
Hình 1.7 Hệ số phản xạ mô phỏng (nét liền) và Đo kiểm (nét đứt) (S11) dB của Ăng ten được đề xuất
Theo Hình 1.7, ba hệ số S11 cực đại dưới -25 dB được xác định ở các tần số f1 = 0.77 GHz với giá trị -23.2 dB, f2 = 1.43 GHz là -15.86 dB, f3 = 2.13 GHz là -13.69 dB, f4 = 3.48 GHz là -18.41 dB, f5 = 3.84 GHz là -21.28 dB, và f6 = 5.17 GHz là -12.16 dB.
Tổng quan về công nghệ ăng ten tiến hoá
Trong thời đại 5G ngày càng phổ biến, nhu cầu sản xuất ăng ten đa băng tần 5G đang tăng cao Thiết kế ăng ten cho hệ thống 5G khá phức tạp, yêu cầu các nhà khoa học áp dụng nhiều công nghệ tiên tiến Một trong những công nghệ nổi bật nhất trong việc cải tiến thiết kế ăng ten là công nghệ ăng ten tiến hoá.
1.2.1 Giới thiệu sơ lược về công nghệ tiến hóa trong thiết kế ăng ten Ăng ten tiến hóa là ăng ten được thiết kế hoàn toàn hoặc có sự trợ giúp một phần bởi một chương trình thiết kế máy tính tự động sử dụng thuật toán tiến hóa bắt chước tiến hóa của Darwin Quy trình này đã được sử dụng trong những năm gần đây để thiết kế một số ăng ten cho các ứng dụng quan trọng liên quan đến các yêu cầu thiết kế nghiêm ngặt, xung đột hoặc bất thường, chẳng hạn như các mẫu bức xạ bất thường, trong đó không có loại ăng ten nào hiện có
Chương trình máy tính bắt đầu với các hình dạng ăng ten đơn giản và sau đó điều chỉnh các thành phần theo cách bán ngẫu nhiên để tạo ra những thiết kế mới Các ăng ten này được đánh giá dựa trên khả năng đáp ứng yêu cầu thiết kế, với điểm số được tính cho từng mẫu Tương tự như chọn lọc tự nhiên, những ăng ten có điểm số thấp sẽ bị loại bỏ, chỉ giữ lại các thiết kế có điểm số cao nhất Quá trình này được lặp lại, sử dụng thông số của các ăng ten tốt nhất để tạo ra một quần thể mới với thiết kế ưu việt hơn Sau nhiều lần lặp, quần thể ăng ten được đánh giá và mẫu có điểm số cao nhất được chọn Kết quả là những ăng ten thu được thường vượt trội hơn so với các thiết kế thủ công, nhờ vào hình dạng bất đối xứng phức tạp mà các phương pháp thiết kế truyền thống không thể đạt được.
1.2.2 Giới thiệu sơ lược về công nghệ thuật toán tối ưu
Thuật toán tiến hoá đã xuất hiện từ lâu, với những đóng góp quan trọng từ các nhà tiên phong trong lĩnh vực máy tính như Alan Turing và John von Neumann Họ đã phát triển các khái niệm liên quan đến Tự động hóa sinh học, Toán sinh học và Học máy, nhấn mạnh tầm quan trọng của việc áp dụng các nguyên lý tự nhiên vào công nghệ.
Phương pháp khai thác chỉ tập trung vào việc giải quyết các vấn đề khó khăn, vì vậy cần áp dụng nhiều phương pháp khám phá hơn Sự khác biệt chính giữa hai phương pháp này là phương pháp khai thác chú trọng vào kiến thức địa phương để tìm ra giải pháp, trong khi phương pháp khám phá cho phép tiếp cận vấn đề một cách ngẫu nhiên và hiệu quả hơn.
Thuật toán tiến hoá có thể áp dụng cho nhiều loại yêu cầu khác nhau, từ tối ưu hóa đến thiết kế mới Những yêu cầu này thường vượt quá khả năng hiểu biết của con người, cho phép tạo ra những giải pháp sáng tạo Chúng có thể được phân loại thành ba nhóm chính: tối ưu hóa, thiết kế mới và cải tiến.
Tối ưu hóa là quá trình tìm kiếm một "không gian biến hoá" nhằm phát triển giải pháp tốt nhất, với số lượng biến được khảo sát lớn hơn so với các vấn đề lập trình truyền thống Trong lĩnh vực này, mục tiêu có thể được xác định một cách rõ ràng và chính xác.
Thiết kế cấu trúc mới liên quan đến việc phát triển các giải pháp độc đáo, chẳng hạn như chương trình hoặc thiết kế cơ khí Một ví dụ nổi bật là ăng ten của NASA, được phát triển theo phương pháp tiến hóa Điều thú vị là thiết kế ăng ten không nhất thiết phải do con người thực hiện, mà có thể dẫn đến những kết quả cụ thể mà con người không hoàn toàn hiểu rõ cách thức tạo ra chúng.
Cải tiến là quá trình áp dụng một giải pháp đã biết vào hệ thống thuật toán tiến hoá nhằm khám phá các phiên bản tiềm năng tốt hơn Qua đó, giải pháp hiện tại được nâng cấp và phát triển thành một phiên bản tối ưu hơn.
Có hai cách để mô tả sự tiến hóa: từ quan điểm sinh học và từ quan điểm khoa học máy tính Tiến hóa là một cơ chế động, bao gồm quần thể các thực thể (các giải pháp tiềm năng) nơi xảy ra sao chép, biến đổi và chọn lọc Quá trình này diễn ra ngẫu nhiên nhưng có định hướng, nhằm hướng tới một mục tiêu cố định.
Hình 1.8 Ý tưởng thuật toán tiến hóa
Nơi đây là điểm khởi nguồn cho sự hình thành các thực thể mới, có khả năng tạo ra một thế hệ hoàn toàn mới hoặc thay đổi các cá thể cụ thể trong cùng một quần thể, được gọi là trạng thái ổn định.
Làm cho dân số đa dạng Có hai hình thức biến đổi, cụ thể là tái tổ hợp và biến đổi
Sự tái tổ hợp, hay còn gọi là chéo, mang lại sự mới mẻ bằng cách kết hợp các bộ phận của các thực thể khác nhau Trong khi đó, biến đổi lại đưa tính ngẫu nhiên vào quần thể thông qua việc thay đổi các đặc điểm cụ thể của các thực thể ngẫu nhiên.
Lựa chọn tự nhiên của Darwin, hay còn gọi là "Sự sống còn của kẻ mạnh nhất", là quá trình mà các thực thể có tiềm năng cao nhất được chọn lọc để tạo ra thế hệ tiếp theo Quy trình này mang tính ngẫu nhiên nhưng được định hướng, với mục tiêu hướng tới một kết quả nhất định Hình 1.9 minh họa quy trình thuật toán cơ bản được áp dụng rộng rãi.
Hình 1.9 Sơ đồ quy trình thiết kế tối ưu
Một số thuật toán tối ưu thông dụng trong thiết kế
Hình 1.10 Phân loại các thuật toán tối ưu [7]
Các thuật toán tối ưu hóa sinh học, lấy cảm hứng từ quá trình tiến hóa tự nhiên và hoạt động sinh học, đóng vai trò quan trọng trong lĩnh vực thuật toán Chúng được phân chia thành hai loại chính.
- Các thuật toán tối ưu hóa dựa trên sự tiến hóa
- Các thuật toán tối ưu hóa dựa trên bầy đàn
• Thuật toán di truyền (Genetic Algorithms – GA)
GA (Genetic Algorithm) là thuật toán phổ biến nhất trong số các thuật toán tiến hóa (EA) Nó áp dụng nguyên tắc tiến hóa cho các chuỗi gen có độ dài cố định, với độ dài chuỗi đại diện cho chiều của vấn đề Các chuỗi này thể hiện các biến hoặc tham số, giúp khám phá hiệu quả không gian miền vấn đề lớn, thường vượt quá khả năng xử lý của con người.
Thuật toán di truyền (GA) ngày càng trở nên phổ biến và được giảng dạy rộng rãi trong các hệ thống tự động hóa (EA) Các biến hoặc tham số trong GA được chuyển đổi thành các chuỗi có độ dài cố định, và những chuỗi này đại diện cho các thực thể trong quần thể Quá trình phát triển của chúng diễn ra thông qua các phương pháp đột biến và trao đổi chéo.
Hình 1.11 Thuật toán di truyền [8]
• Tiến hóa vi phân (Differential Evolution – DE)
Thuật toán tiến hóa vi phân là một thuật toán lấy cảm hứng từ sinh học, hoạt động thông qua việc lặp lại một quần thể nhằm đạt được mục tiêu chất lượng Quá trình lặp lại bao gồm tái hợp, đánh giá và lựa chọn, giúp loại bỏ nhu cầu giảm độ dốc trong thuật toán Ứng cử viên mới được tạo ra dựa trên sự khác biệt có trọng số giữa các ứng cử viên ngẫu nhiên, từ đó nâng cao chất lượng quần thể Mỗi quần thể mới tự tổ chức hiệu quả và thuật toán này hoạt động tốt nhất trong các không gian Boolean, Integer và Reals.
DE được phát triển đặc biệt để tìm các hệ số đa Chebyshev và tối ưu hóa thuật toán các hệ số bộ lọc
• Thuật toán tối ưu đàn kiến (Ant Colony Optimization - ACO)
Thuật toán ACO, do Dorigo đề xuất, là một thuật toán tiến hóa dựa trên hành vi tập thể, xuất phát từ sự tương tác của các chuỗi tìm kiếm khác nhau, giúp giải quyết các vấn đề tối ưu hóa tổ hợp ACO lấy cảm hứng từ hành vi kiếm ăn của kiến, nơi chúng giao tiếp gián tiếp thông qua pheromone, và đã được áp dụng cho nhiều bài toán tổ hợp khác nhau Hành vi tự nhiên của các đàn kiến trong việc tìm kiếm nguồn thức ăn và xây dựng đường mòn độc đáo là nền tảng cho sự phát triển của thuật toán này.
Hình 1.12 Thuật toán tối ưu đàn kiến [9]
Các thuật toán tối ưu hóa dựa trên vật lý là những phương pháp mô phỏng các đặc tính và hành vi của vật chất, hoặc tuân theo các định luật vật lý Dưới đây là một số thuật toán tối ưu hóa dựa trên vật lý tiêu biểu.
Simulated Annealing (SA) là một kỹ thuật tối ưu hóa mạnh mẽ, tương tự như quá trình phản ứng trong vật lý để kết tinh, nhằm làm cứng các vật liệu như thủy tinh và kim loại.
- Thuật toán hấp dẫn (Gravitational Search Algorithm - GSA)
GSA là một bổ sung mới cho thuật toán của Rashedi, tuân theo quy luật vật lý về lực hấp dẫn và chuyển động Trong thuật toán này, các tác nhân được xem như là đối tượng, với hiệu suất được đo bằng khối lượng của chúng Tất cả các vật thể tương tác với nhau thông qua lực hấp dẫn, dẫn đến chuyển động toàn cục hướng về các vật thể có khối lượng lớn hơn.
Do đó mỗi khối lượng vật sẽ được thông báo thông qua lực hấp dẫn và được cập nhật bằng cách trao đổi thông tin [10]
Hình 1.13 Thuật toán hấp dẫn [10]
Các thuật toán tối ưu hóa dựa trên địa lý là những phương pháp tạo ra các giải pháp ngẫu nhiên trong không gian địa lý Một số thuật toán tiêu biểu trong lĩnh vực này bao gồm
• Thuật toán tìm kiếm Tabu (Tabu Search Algorithm - TS)
Tìm kiếm tabu là một phương pháp tìm kiếm cổ điển sử dụng kỹ thuật tìm kiếm cục bộ, được giới thiệu lần đầu tiên bởi Glover vào năm 1986 Phương pháp này nhằm mục đích khám phá không gian giải pháp bằng cách thực hiện một chuỗi các bước di chuyển, trong đó mỗi bước được chọn theo hướng tốt nhất trong số các lựa chọn có sẵn Để tránh việc thuật toán bị kẹt ở các cực trị cục bộ, một tập hợp các bước di chuyển sẽ bị cấm trong mỗi lần lặp.
Thuật toán Cạnh tranh Đế quốc (Imperialistic Competition Algorithm - ICA) được giới thiệu bởi Gargari vào năm 2007, dựa trên mô hình quần thể dân số với các quốc gia được phân chia thành thuộc địa và đế quốc Một đế chế hình thành từ chủ nghĩa đế quốc cùng với các thuộc địa, trong đó tất cả các quốc gia đều có vị trí tương đương Kết quả cuối cùng của ICA là nước tối ưu nhất, phản ánh đầu ra tốt nhất cho bài toán tối ưu hóa.
Hình 1.14 Thuật toán cạnh tranh đế quốc [13]
Tình hình nghiên cứu và phát triển Ăng ten tiến hóa
Ăng ten tiến hóa là công nghệ tiên tiến trong ngành chế tạo ăng ten, nhằm tối ưu hóa kích thước và khắc phục những hạn chế của thiết kế truyền thống Công nghệ này mở rộng khả năng và chức năng của ăng ten, đặc biệt trong các lĩnh vực quân sự và hàng không vũ trụ Nghiên cứu về ăng ten tiến hóa đã được thực hiện rộng rãi, mang lại nhiều ứng dụng đa dạng.
1.4.1 Ăng ten Hexagon Unit tối ưu hoá bởi thuật toán nhị phân
Bằng cách sử dụng thuật toán tối ưu hóa nhị phân lục giác và cấu hình ăng ten băng thông rộng với phân cực tròn
Phần tử lục giác là thành phần cơ bản trong cấu trúc lưới, với mã nhị phân được tạo ra từ vòng tròn và sắp xếp thông qua thuật toán tối ưu hóa mã hóa nhị phân, giúp cải thiện cấu trúc ăng ten Kết quả là ăng ten phân cực tròn định hướng UWB với cấu hình thấp được phát triển.
Hình 1.15 Cấu trúc của ăng ten đề xuất (a) Hình ảnh 3D, (b) Hình bên cạnh, (c) Mô hình lưới lục giác, (d) Lớp ăng ten xoắn ốc, (e) Lớp ký sinh 1,( f) Lớp ký sinh 2
1.4.2 Thiết kế ăng ten hình nơ cho hệ thống Truyền thông 5G sử dụng Thuật toán đàn Salp Ăng ten thắt nơ thể hiện một số ưu điểm, như đơn giản về cấu trúc, cấu hình thấp, trọng lượng nhẹ và dễ chế tạo Chúng đã được sử dụng trong một số loại ứng dụng không dây Do những ưu điểm đã đề cập trước đó, các nhà nghiên cứu đã thiết kế và tối ưu hóa một ăng ten nơ hoạt động ở băng tần 28GHz cho các ứng dụng 5G Ăng ten thắt nơ yêu cầu xác định một số tham số hình học để đạt được hiệu suất chấp nhận được Một vấn đề như vậy có thể được giải quyết bằng việc sử dụng một kỹ thuật tối ưu hóa
Trong bài viết này, chúng tôi giới thiệu thuật toán Salp Swarm Alarm (SSA), mô phỏng hành vi bầy đàn của loài salps trong việc di chuyển và tìm kiếm thức ăn dưới đại dương SSA được áp dụng lần đầu cho thiết kế ăng ten, bắt đầu bằng việc thiết kế phần tử thắt nơ thông qua thuật toán SS Sau đó, chúng tôi sử dụng hình học phần tử tối ưu để phát triển ăng ten MIMO 2 × 2, phục vụ cho hệ thống truyền thông 5G.
Thuật toán Salp Swarm (SSA) được phát triển dựa trên hành vi bầy đàn của salp trong đại dương, tập trung vào việc chuyển hướng và tìm kiếm thức ăn Thuật toán này phân chia dân số salp thành hai nhóm: cá thể lãnh đạo, là cá thể có điểm số tốt nhất trong hàm mục tiêu, và các cá thể đi theo, là những cá thể có điểm số kém hơn Cá thể lãnh đạo sẽ dẫn dắt toàn bộ nhóm, trong khi các cá thể đi theo sẽ quan sát và theo dõi cá thể lãnh đạo, trực tiếp hoặc gián tiếp thông qua những cá thể khác trong nhóm.
Thiết kế ăng ten hoạt động trong dải tần 28GHz do SSA đề xuất bao gồm hai phần: (a) phần tử ăng ten thắt nơ và (b) ăng ten MIMO thắt nơ.
Hình 1.18 Tham số S11 (hệ số phản xạ) của ăng ten MIMO hoạt động ở dải tần
Anten MIMO được đề xuất có băng thông rộng với băng thông −10dB đạt 2,41GHz, như được thể hiện qua đồ thị tham số S11 ở tần số 28GHz.
Phần tử ăng ten MIMO được tối ưu hóa bằng thuật toán Salp Swarm, cho thấy khả năng điều chỉnh hiệu quả ở dải tần mong muốn Thiết kế này đảm bảo sự cách ly tốt giữa các cổng và đạt hiệu suất chấp nhận được trong phân phối dòng điện bề mặt Các nghiên cứu tiếp theo sẽ tập trung vào việc tối ưu hóa thiết kế ăng ten MIMO và thực hiện chế tạo cùng với xác nhận thử nghiệm cho hệ thống đề xuất.
1.4.3 Tối ưu ăng ten đa băng tần với thuật toán rặng san hô (CRO)
Các nhà nghiên cứu đã giới thiệu một mô hình ăng ten vá sợi dệt microstrip mới, thiết bị này hỗ trợ đa băng tần và có khả năng điều chỉnh cho các dịch vụ LTE và 5G Ấng ten được thiết kế với một bản patch microstrip hình chữ nhật và hai khe.
Mô hình 15 hình khuyên đồng tâm và khe hình chữ U cải thiện phân bố dòng điện bề mặt, nâng cao băng thông cho ăng ten Hình dạng này cho phép ăng ten hoạt động hiệu quả ở các dải tần như LTE và 5G, nhưng cũng tạo ra thách thức trong việc tối ưu hóa do số lượng biến và ràng buộc cao Ngoài ra, việc mô phỏng ăng ten trên chất nền có thể đeo được làm cho quá trình thiết kế trở nên phức tạp hơn.
Sau khi chọn một thuật toán heuristic để tối ưu hóa thiết kế ăng ten, các nhà khoa học đã đề xuất sử dụng phiên bản của thuật toán tối ưu hóa Rạn san hô (CRO) CRO là một thuật toán tiến hóa mô phỏng các quá trình tự nhiên trong rạn san hô nhằm tối ưu hóa hệ thống, cụ thể là ăng ten dệt Phiên bản CRO - SL đã được áp dụng thành công cho nhiều vấn đề tối ưu hóa và có khả năng kết hợp các mẫu hoặc chiến lược tìm kiếm khác nhau trong tập hợp giải pháp tiềm năng.
Hình 1.19 Thiết kế ăng ten cho trường hợp tối ưu hóa hai dải tần số, sau quá trình tối ưu hóa (a) Mặt trước; (b) Mặt sau
Hình 1.20 Tỷ số S11 của ăng ten mô phỏng bằng HFSS
Hình 1.20 trình bày thông số S11 của ăng ten do CRO - SL thu được, cho thấy dung dịch thu được có chất lượng rất tốt Ba cực đại dưới −25 dB được quan sát trong các dải tần f1 = 791−870 MHz (5G), f2 = 1.7−2.3 GHz (LTE), và f3 = 3.3−3.8 GHz (5G) Đặc biệt, có một đỉnh dưới −45 dB tại tần số 5G 3,5 GHz, cùng với băng thông tốt liên kết với tất cả các tần số đã xem xét.
Mạng 5G đang thu hút sự chú ý lớn nhờ sự phát triển nhanh chóng của truyền thông không dây Những cải tiến nổi bật của 5G bao gồm tốc độ truyền tải dữ liệu nhanh hơn, độ phân giải cao hơn, tính di động tốt hơn và độ trễ thấp hơn Hệ thống 5G hứa hẹn sẽ mang lại nhiều thay đổi tích cực trong nhiều lĩnh vực khác nhau.
5G dự kiến sẽ mang lại tốc độ dữ liệu tổng hợp nhanh hơn 1000 lần so với 4G, cùng với độ tin cậy cao hơn Đối với truyền thông di động băng tần dưới 6GHz, 5G sử dụng băng tần 2.5 GHz để cải thiện hiệu suất kết nối.
- 2.6GHz), băng tần (3.7 - 3.8GHz) đã được Viettel sử dụng để thí điểm hệ thống 5G
Ngoài ra, tôi đã tích hợp thêm băng tần 6.6GHz cho các hệ thống mới liên quan đến Wifi và di động, đang được Cục Tần số phê duyệt và phát triển.
Cơ sở lý thuyết ăng ten
Ăng ten là thiết bị quan trọng trong hệ thống vô tuyến, có chức năng bức xạ và thu sóng điện từ Mỗi hệ thống vô tuyến thường bao gồm máy phát, ăng ten phát và ăng ten thu, cho phép truyền tải và nhận tín hiệu hiệu quả.
Nói đến ăng ten, ta phải quan tâm đến một số thông số của ăng ten như sau
Bức xạ là thuật ngữ chỉ sự phát xạ hoặc thu sóng của ăng ten, phản ánh cường độ của nó Đồ thị bức xạ thể hiện sự phân bổ năng lượng bức xạ vào không gian, cho phép người dùng quan sát các đại lượng quan trọng như độ lợi (gain), độ định hướng (directivity), trường điện từ và vector bức xạ.
Hình 2.1 Đồ thị bức xạ của ăng ten lưỡng cực [18]
Công suất phát ra từ ăng ten ảnh hưởng đến các vùng trường gần và trường xa Trong trường xa, phân bố góc của công suất bức xạ không phụ thuộc vào khoảng cách, cho phép đặc tính bức xạ được mô tả qua các toạ độ góc (𝜃, 𝜑) Hình 2.1 minh họa đồ thị bức xạ của ăng ten lưỡng cực, với năng lượng bức xạ được thể hiện qua các mô hình hướng cụ thể Các mũi tên chỉ ra hướng bức xạ, và đồ thị này có thể được trình bày dưới dạng 2D hoặc 3D.
Trong đồ thị bức xạ của ăng ten, búp sóng thể hiện hướng bức xạ tối ưu, nơi năng lượng được phát ra nhiều nhất Có hai loại búp sóng: búp sóng chính và búp sóng phụ Búp sóng chính (main lobe) là phần có năng lượng bức xạ lớn nhất, cho thấy hướng bức xạ chính của ăng ten.
19 là các búp sóng còn lại, nó thể hiện những vùng được coi là làm lãng phí năng lượng bức xạ (Hình 2.2)
2.1.2 Độ định hướng (Directivity) Độ định hướng là tham số đo mức độ bức xạ của ăng ten định hướng Một ăng ten bức xạ ra đều nhau theo mọi hướng sẽ có độ định hướng bằng 1 (hoặc 0dB) [7] Độ định hướng của ăng ten được tính như PT 2-1, với tử số là giá trị tối đa của 𝐹(𝜃, 𝜑) và mẫu số đại diện cho công suất trung bình tỏa ra trên tất cả các hướng Phương trình này sau đó chỉ là thước đo giá trị cực đại của công suất bức xạ chia cho công suất trung bình Giá trị lớn nhất của 𝐹(𝜃, 𝜑) = 1
2.1.3 Hiệu suất ăng ten (Antenna Effective)
Hiệu suất tổng của ăng ten là yếu tố quan trọng để xác định tổn thất tại đầu vào và bên trong ăng ten Các loại tổn thất này bao gồm sự phản xạ, tổn thất do vật liệu và tổn thất trong quá trình truyền dẫn.
Ta có công thức tổng quát tính hiệu suất của ăng ten như sau:
Trong đó: 𝑒 0 là tổng hiệu suất của ăng ten
𝑒 𝑟 là hiệu suất phản xạ
𝑒 𝑐 là hiệu suất dẫn truyền
𝑒 𝑑 là hiệu suất điện môi vật liệu
2.1.4 Độ lợi (Gain) Độ lợi ăng ten cho biết mức độ mạnh mẽ của tín hiệu mà ăng ten có thể gửi hoặc nhận theo một hướng xác định Độ lợi được tính bằng cách so sánh công suất đo được truyền hoặc nhận bởi ăng ten theo hướng cụ thể trên thực tế với công suất được truyền hoặc nhận bởi ăng ten lý tưởng được giả định trong cùng tình huống Như vậy, độ lợi của ăng ten là đại lượng tương đương với độ định hướng (directivity) của ăng ten có tính thêm hiệu suất của ăng ten
Hình 2.3 Mối quan hệ giữa độ lợi và độ định hướng của ăng ten [7]
Băng thông của ăng ten là phạm vi tần số mà ăng ten hoạt động hiệu quả, xác định theo một tiêu chuẩn cụ thể Nó được hiểu là dải tần số xung quanh tần số trung tâm, thường là tần số cộng hưởng, trong đó các đặc tính như trở kháng đầu vào, đồ thị bức xạ, độ rộng chùm, phân cực, búp sóng chính, độ lợi, độ định hướng và hiệu suất bức xạ đều nằm trong giá trị chấp nhận được so với tần số trung tâm.
Công thức (PT 2-3) tính băng thông của ăng ten là:
Trong đó BW là băng thông, fH là điểm tần số cao fL là điểm tần số thấp fC là điểm tần số trung tâm
Sự phân cực của ăng ten được định nghĩa là hướng mà sóng truyền (bức xạ) phát ra từ ăng ten trong trường xa (farfield).
Có 3 dạng phân cực chính: phân cực tuyến tính, phân cực tròn và phân cực elip
Hình 2.4 Phân cực ăng ten [7]
Phân cực tuyến tính là loại phân cực phổ biến nhất trong ăng ten, giúp tập trung năng lượng bức xạ hiệu quả Tuy nhiên, khi sử dụng ăng ten phân cực tuyến tính cho việc thu tín hiệu, có thể gặp phải một số vấn đề như năng lượng không được thu hồi tối đa và thiết kế lắp đặt phụ thuộc vào ăng ten phát.
Phân cực tròn là một yếu tố quan trọng trong thiết kế ăng ten, cho phép bức xạ ít tập trung hơn so với phân cực thẳng Tuy nhiên, đối với ăng ten thu, ưu điểm của phân cực tròn là khả năng thu nhận tín hiệu từ nhiều loại ăng ten khác nhau Nó có thể hoạt động hiệu quả với bất kỳ ăng ten phân cực thẳng nào mà không cần quá chú trọng đến độ phân cực của ăng ten phát.
Phân cực elip là loại phân cực hình thành từ sự kết hợp của hai thành phần điện trường hoạt động đồng thời, với độ lớn và độ chênh lệch pha tùy ý.
Trong quá trình truyền tải, nguồn phát sinh sóng di chuyển đến ăng ten, với mục tiêu lý tưởng là ăng ten bức xạ toàn bộ năng lượng ra không gian Tuy nhiên, do sự không phù hợp về trở kháng, một phần năng lượng bị phản xạ, làm giảm hiệu quả truyền tải Tất cả năng lượng phản xạ đều lãng phí, vì vậy việc giảm thiểu phản xạ tại cổng ăng ten là tiêu chí quan trọng trong thiết kế ăng ten Hệ số phản xạ được xác định bởi tỉ lệ giữa biên độ sóng phản xạ và sóng tới, được biểu diễn bằng công thức Γ = 𝑉 − /𝑉 +.
Từ góc độ mạch, ăng ten được coi là một thiết bị cổng duy nhất, do đó, định nghĩa của 𝑆 11 tương đương với hệ số phản xạ, 𝑆 11 = Γ Trong kỹ thuật, S11 thường được đo bằng thang decibel (dB).
Giá trị tuyệt đối của S11(dB) được gọi là Return Loss: RL = | S11(dB) |
Một phương pháp gián tiếp để quan sát biên độ sóng phản xạ là thông qua chỉ số Tỷ lệ Sóng Đứng Điện Áp (VSWR) VSWR là tỷ lệ giữa điện áp tối đa và điện áp tối thiểu trên đường dây truyền tải Tại cùng một tần số, điện áp tối đa được xác định bằng tổng biên độ của điện áp tới và điện áp phản xạ, trong khi điện áp tối thiểu là hiệu giữa điện áp tới và điện áp phản xạ.
Thuật toán Improved Black Hole
Phương pháp thuật toán Black Hole (BHA) là một trong những cách tiếp cận hiệu quả để giải quyết vấn đề tối ưu hóa và phân cụm dữ liệu phức tạp Thuật toán này được phát triển dựa trên hiện tượng lỗ đen, bắt đầu với một tập hợp các giải pháp ứng viên ban đầu cho vấn đề tối ưu hóa và sử dụng hàm mục tiêu được tính toán tương tự như các thuật toán tối ưu hóa khác.
2.2.1 Cơ sở thuật toán Black Hole
Vào thế kỷ 8, Tiến sĩ John Michel và Pierre Simon de Laplace đã đưa ra khái niệm về hiện tượng một ngôi sao biến mất dựa trên định luật Newton, mặc dù chưa có định nghĩa về lỗ đen Đến năm 1967, nhà vật lý John Wheeler đã chính thức đặt tên cho hiện tượng sụp đổ này là lỗ đen Lỗ đen trong không gian được hiểu là
Một ngôi sao khổng lồ sụp đổ tạo ra lỗ đen với lực hấp dẫn mạnh mẽ, khiến bất kỳ tia sáng nào cũng không thể thoát ra Vật chất bị nén vào không gian nhỏ, và bất kỳ thứ gì vượt qua ranh giới của lỗ đen sẽ bị hút vào và biến mất, không gì có thể chống lại sức mạnh khổng lồ này.
Hình 2.13 Hình ảnh lỗ đen theo NASA
Chân trời sự kiện là ranh giới hình cầu của một lỗ đen, với bán kính được gọi là bán kính Schwarzschild Tại khu vực này, tốc độ thoát ra phải vượt quá tốc độ ánh sáng; nếu ánh sáng bị hút vào, nó không thể thoát ra Bán kính Schwarzschild (R) được tính bằng
Trong đó: G là hằng số hấp dẫn
M là khối lượng của lỗ đen c là tốc độ ánh sáng
Lỗ đen là một khu vực trong không gian - thời gian (x, y, t) với lực hấp dẫn mạnh đến mức không vật thể nào có thể thoát ra Theo lý thuyết của thuyết tương đối rộng, khi một khối lượng đủ lớn xuất hiện, nó sẽ làm cong không gian - thời gian, dẫn đến sự hình thành của lỗ đen.
Xung quanh lỗ đen có một bề mặt toán học gọi là chân trời sự kiện, đánh dấu điểm không thể thoát khỏi Bất kỳ vật thể nào di chuyển gần chân trời sự kiện hoặc vượt qua bán kính Schwarzschild sẽ bị lỗ đen hấp thụ và biến mất Sự tồn tại của lỗ đen được nhận biết qua ảnh hưởng của nó đối với các vật thể xung quanh, vì nó hấp thụ tất cả ánh sáng và không phản chiếu gì, giống như một vật đen hoàn hảo Lỗ đen chỉ có ba tính chất vật lý độc lập: khối lượng (M), điện tích (Q) và mômen động lượng (J) Lỗ đen tích điện sẽ đẩy lùi các điện tích khác, tương tự như bất kỳ vật thể tích điện nào trong không gian Các lỗ đen đơn giản nhất chỉ có khối lượng mà không có điện tích hay mômen động lượng.
Thuật toán Black Hole (BHA) được giới thiệu bởi Abdolreza Hatamlou vào năm
Thuật toán này cùng các biến thể của nó đã được áp dụng rộng rãi trong nhiều lĩnh vực như kỹ thuật, y tế, sinh học và tối ưu hóa Cụ thể, chúng đã giúp giải quyết các bài toán như điều phối công suất phản kháng đa mục tiêu, tối ưu hóa rơle quá dòng kỹ thuật số, lựa chọn và phân loại tính năng trên dữ liệu sinh học, cũng như tối ưu hóa mô hình cảm biến trong máy học cực cao.
Hình 2.14 Chân trời của lỗ đen[22]
BHA là một thuật toán tối ưu hóa dân số mới, hoạt động như một cơ chế cải tiến cho Tối ưu hóa bầy đàn (PSO) Trong BHA, các ngôi sao đại diện cho các cá thể, và những cá thể tốt nhất được chọn làm Lỗ đen (BH), bắt đầu hấp thụ các cá thể xung quanh để tối ưu hóa quá trình tìm kiếm.
2.2.2.1 Quy trình cơ bản của thuật toán Black Hole
1 Thuật toán Black Hole (BHA) bắt đầu với một tập hợp ban đầu các giải pháp ứng viên cho một bài toán tối ưu hóa và một hàm mục tiêu được tính toán cho chúng
2 Tại mỗi lần lặp lại của Lỗ đen, ứng cử viên tốt nhất được chọn làm lỗ đen và phần còn lại tạo thành các ngôi sao bình thường Sau quá trình khởi tạo, lỗ đen bắt đầu kéo các ngôi sao xung quanh nó
3 Nếu một ngôi sao đến quá gần hố đen, nó sẽ bị hố đen nuốt chửng và biến mất vĩnh viễn Trong trường hợp này, một ngôi sao mới (giải pháp ứng cử viên) được tạo ngẫu nhiên và được đặt trong không gian tìm kiếm và bắt đầu một tìm kiếm mới
2.2.2.2 Tỷ lệ hấp thụ của các ngôi sao bởi hố đen
Quá trình chuyển động của BHA liên quan đến sự thay đổi vị trí của các ngôi sao, khi chúng tiến gần hơn đến lỗ đen Việc cập nhật vị trí này giúp hiểu rõ hơn về sự tương tác giữa BHA và các ngôi sao xung quanh.
Trong mô hình này, 𝑋 𝑛 và 𝑋 𝑛,𝑛𝑒𝑤 đại diện cho vị trí của tác nhân đích và được cập nhật theo từng bước 𝑛 Số cá thể trong quần thể được ký hiệu là NL, trong khi hàm ngẫu nhiên 𝑟𝑎𝑛𝑑() tạo ra giá trị trong khoảng [0,1] Vị trí tốt nhất của cá thể trong mỗi lần lặp được gọi là 𝐵𝑒𝑠𝑡 𝑘 Khi di chuyển về phía Lỗ đen 𝐵𝑒𝑠𝑡 𝑘, mỗi cá thể có xác suất vượt qua chân trời sự kiện.
2.2.2.3 Xác suất vượt qua chân trời khi các ngôi sao chuyển động
Thuật toán Black Hole sử dụng xác suất vượt qua chân trời để tối ưu hóa việc thu thập dữ liệu từ không gian tìm kiếm Khi các ngôi sao di chuyển về phía lỗ đen, mỗi ngôi sao qua chân trời sẽ bị lỗ đen hút vào, dẫn đến cái chết của cá thể đó Sau đó, một ngôi sao mới sẽ xuất hiện ngẫu nhiên trong không gian tìm kiếm, đảm bảo số lượng cá thể luôn được duy trì ổn định Quá trình lặp lại diễn ra khi tất cả các ngôi sao đã di chuyển, với bán kính đường chân trời (R) của lỗ đen được xác định rõ ràng.
Trong đó 𝑓 𝑖 và 𝑓 𝐵𝐻 là giá trị của lỗ đen và ngôi sao thứ i
Khi khoảng cách giữa cá thể và lỗ đen (cá thể tốt nhất) nhỏ hơn R, cá thể đó sẽ sụp đổ, dẫn đến việc tạo ra một cá thể mới, được phân phối ngẫu nhiên trong không gian tìm kiếm.
2.2.3 Thuật toán Improved Black Hole (IBH)
Lập trình với Python thực hiện thao tác trên CST
CST đã phát triển "CST Python Libraries" để điều khiển các tính năng trong CST, bao gồm ba thành phần chính Việc phân tích thông tin có sẵn của CST và Python cho thấy sự tích hợp hiệu quả giữa hai công nghệ này Thư viện CST Python hỗ trợ người dùng tối ưu hóa quy trình làm việc và nâng cao khả năng tương tác với phần mềm CST.
• cst.interface : Cho phép điều khiển các thành phần của CST Studio Suite
• cst.result : Cung cấp các công cụ truy cập các 0D/1D Results của file cst
• cst.eda : Cung cấp giao diện cho Printed Circuit Board (PCB) của CST
Dưới đây sẽ trình bày cụ thể quy trình và cách thức truy cập bằng Python code tới CST Microwave Studio
2.3.1 Tạo môi trường làm việc
Để bắt đầu làm việc với Thư viện CST Python, trước tiên bạn cần đưa thư mục vào đường dẫn hệ thống của Python.
>>> sys.path.append(r"/python_cst_libraries")
• Khởi tạo cửa sổ chính của CST Microwave Studio
34 mycst = cst.interface.DesignEnvironment(mode=StartMode.New, pid=-1, options=None)
Trong đó StartMode có các thành phần:
Gửi một lệnh đến biến ‘new_mws’ liên kết với ứng dụng CST Studio để tạo một tệp dự án trống mới: myproject = mycst.new_mws()
2.3.2 Xây dựng chương trình chính điều khiển đối tượng (Ăng ten)
Sau khi xác định đối tượng điều khiển là ăng ten, chúng ta sẽ tiến hành mô phỏng ăng ten bằng CST Microwave Studio thông qua mã Python Dưới đây là sơ đồ khối thực hiện các bước cần thiết.
Hình 2.18 Sơ đồ khối tổng quan chương trình xây dựng ăng ten
Trong quá trình liên kết và nhúng để mô phỏng đối tượng trên CST bằng Python, việc gọi đầy đủ phương thức của các thuộc tính trong mỗi chức năng là rất quan trọng Để đơn giản hóa và rút ngắn quy trình mô phỏng, nên tạo sẵn các lớp con cho từng biểu tượng trong thanh công cụ của CST và truyền chúng vào file lịch sử của ăng ten.
To simulate a brick substrate in CST software, you can directly call the function as follows: `def CstSubstrate(self, cst_project): par_change_mesh = 'With Brick\n'`.
'End With' cst_project.modeler.add_to_history("define brick: component1:Substrate", par_change_mesh, timeout=None)
Sau khi hoàn tất việc mô hình hóa ăng ten, chúng ta sẽ sử dụng các phương thức mô phỏng bổ sung để quan sát các thông số quan trọng của ăng ten, bao gồm S11, Farfield, E-field và H-field.
2.3.3 Xử lý số liệu ra S11
In the CST software, after calculating the S11 coefficient, the results are stored in '1D Results\S-Parameters\S1,1' Subsequently, the data can be exported to a text file created in any directory, containing two sets of values: frequency and S11 To access the results programmatically, use the command: project = cst.results.ProjectFile(project_path, allow_interactive=True) followed by project.get_3d().get_result_item(r"1D Results\S-Parameters\S1,1").
After exporting the data, we process it to extract two key value strings: frequency and S11 value The frequency range is set between 1 and 8, with specific frequency points at 2.55 and 3.75 We retrieve the results using the command `results = project.get_3d().get_result_item(r"1D Results\S-Parameters\S1,1")`, and obtain the frequencies through `freqs = results.get_xdata()`.
# Initialize value list for one MC sample point over all frequency points freq = []
SdB = [] freq_range_pos = np.round((np.array(freq_point)-freq_range[0])
# Get results for each freq point of interest from CST for j in range(len(freq_range_pos)):
36 freq_pos_j = int(freq_range_pos[j]) freq_value_j = freqs[freq_pos_j] freq.append(freq_value_j)
S_real_j = S_Para[freq_pos_j].real
S_imag_j = S_Para[freq_pos_j].imag
SdB.append(S_dB_j) return SdB
Kết luận chương
Trong chương này, tôi đã trình bày lý thuyết cơ bản về ăng ten, bao gồm các tham số đánh giá hiệu suất của ăng ten Bên cạnh đó, tôi cũng đã giới thiệu lý thuyết cơ bản của thuật toán Lỗ đen thông thường và các thuật toán liên quan.
Bài viết này sẽ hướng dẫn cách sử dụng Python để điều khiển phần mềm mô phỏng CST, từ đó tạo nền tảng cho việc phát triển chương trình thuật toán cho hai loại ăng ten sẽ được trình bày trong hai chương tiếp theo.
ĐỀ XUẤT THIẾT KẾ ĂNG TEN PIXEL HAI BĂNG TẦN 37
Cấu trúc ăng ten
Để phát triển ăng ten cho các tình huống cụ thể với điều kiện khó khăn, thiết kế tối ưu tự động là cần thiết nhằm giảm thời gian phát triển Một phương pháp hiệu quả là sử dụng các cấu trúc ăng ten đã được xác định trước, như ăng ten lưỡng cực và ăng ten microstrip, kết hợp với thuật toán tối ưu hóa các thông số thiết kế Cách tiếp cận này sẽ được trình bày chi tiết trong chương sau.
Một kỹ thuật phát triển ăng ten đang thu hút sự chú ý là ăng ten pixel (pixelated antenna) Kỹ thuật này liên kết các phần tử điện riêng lẻ (pixel) để tạo thành ăng ten Quá trình thiết kế bao gồm việc chia nhỏ một khu vực xác định thành các pixel và áp dụng các kỹ thuật tối ưu cũng như các phương pháp tiến hóa.
Các pixel có thể được biểu diễn dưới nhiều hình dạng khác nhau, nhưng việc sử dụng hình chữ nhật với các điểm liên kết rất nhỏ có thể làm giảm độ chính xác giữa mô phỏng và ăng ten thực tế Trong thực tế, không thể tạo ra một điểm tiếp xúc duy nhất giữa hai ô do điểm kết nối có tiết diện rất nhỏ So sánh với một số cấu hình thay thế, như các điểm nối do dịch chuyển, cắt bớt hoặc thiếu chính xác trong quá trình sản xuất, thông qua hệ số phản xạ sẽ giúp làm rõ sự khác biệt này.
Hình 3.1 Các kiểu điểm nối khác nhau và hệ số phản sạ của chúng [31]
Dựa trên những đặc điểm đã nêu, tôi đề xuất rằng các pixel lục giác thông thường, như được trình bày trong Hình 3.2(b), là lựa chọn tối ưu cho thiết kế ăng ten pixel trong luận văn này.
Hình 3.2 minh họa các kết nối giữa các loại pixel khác nhau, bao gồm hình chữ nhật và hình lục giác Để đơn giản hóa quá trình tính toán và thiết kế, tôi đã thực hiện việc pixel hóa cho anten microstrip patch.
Hình 3.3 Ăng ten được pixel hoá với kích cỡ 14*32 pixel
- Chọn vật liệu và thông số liên quan :
• Vật liệu cho miếng nền: FR4 (lossy) với 𝜀 𝑟 = 4,3
• Vật liệu cho miếng bức xạ: Đồng
• Độ dày miếng nền: ℎ 𝑠 =1.6mm
• Độ dày lớp đồng của miếng bức xạ và miếng đất: ℎ 𝑡 =0.035mm
Mục tiêu tần số trong thiết kế ăng ten pixel là tối ưu hóa cho 1 hoặc 2 tần số do tính phức tạp trong quá trình tính toán Trong luận văn này, tôi thiết kế ăng ten pixel cộng hưởng cho hai tần số cụ thể: 2.55GHz và 3.75GHz.
- Thiết kế thành phần tiếp điện:
Nguồn cấp cho Ăng ten có điện trở 50Ω, và trong thiết kế, chúng ta sử dụng cáp đồng trục làm thành phần tiếp điện Theo tính toán bằng phần mềm CST Microwave Studio, với chất nền FR4, đường kính của nguồn cấp được xác định là d = 0,9mm và D = 5,072mm.
Hình 3.5 Thông số nguồn cấp ăng ten
Sử dụng thuật toán Improved Black Hole cho thiết kế ăng ten
Sau khi xác định được kiểu pixel sử dụng và số lượng pixel trong ăng ten, dưới đây là thuật toán để tạo ra quần thể đầu tiên
Input: Gen, Number_stars, Evolution_rate pixel_max_x, pixel_max_y
Output: Kết quả mục tiêu quần thể đầu tiên (𝐹𝑖𝑡 𝑖,𝑗 ) và tham số cá thể tương ứng (𝑃𝑜𝑝(𝑖, 𝑗))
Bước 1: Tạo ra ngẫu nhiên mỗi ngôi sao trong quần thể từ ngôi sao đầu tiên đến ngôi sao thứ N dựa trên các ràng buộc đã nhập.
Bước 2: Với mỗi ngôi sao được tạo ra, chúng sẽ được mô phỏng bằng phần mềm
CST và lần lượt lấy ra 2 mục tiêu ứng với 2 hệ số S11 của từng tần số cộng hưởng tương
Giá trị S11 tại các tần số 2.55 GHz và 3.75 GHz sẽ được sử dụng làm tiêu chuẩn để so sánh và đánh giá với các thế hệ tiếp theo tương ứng với Fit1,j và Fit2,j.
Hình 3.6 Mô hình tuật toán khởi tạo quần thể
3.2.2 Thay đổi vị trí các ngôi sao lại gần Lỗ đen
Trong quá trình thực hiện thuật toán, mỗi ngôi sao ở thế hệ trước sẽ thay đổi vị trí Khi vượt qua bán kính Schwarzschild, ngôi sao sẽ được thay thế bằng một trong hai phương thức: tạo mới hoặc lai chéo.
Input: Các tham số của Lỗ đen, Evolution_rate
Output: Các ngôi sao mới
Hình 3.7 Sơ đồ thuật toán quá trình thay đổi vị trí các ngôi sao lại gần Lỗ đen
Bước 1: Với quần thể các ngôi sao, tính bán kính Schwarzschild dựa trên kết quả
Fiti,j của Lỗ đen và quần thể ngôi sao:
Bước 2: Xét lần lượt từng ngôi sao trong quần thể sao Với ngôi sao đang xét, ta thay đổi vị trí ngôi sao theo công thức:
Mỗi pixel trong ăng ten thứ i được so sánh logic với giá trị pixel tương ứng của Lỗ đen Nếu cả hai giá trị đều bằng 0, pixel đó sẽ có giá trị 0; ngược lại, giá trị pixel sẽ là 1.
Bước 3: Sử dụng mô phỏng CST để xác định vị trí mới của ngôi sao và so sánh với Bán kính Schwarzschild Tiến hành loại bỏ các ngôi sao không đáp ứng điều kiện đã đặt ra.
Bước 4: Tạo ngôi sao mới Ở bước này, chúng ta sẽ thay thế các ngôi sao vượt qua bán kính Schwarzschild thông qua xác xuất Evolution_rate
1 Tạo ngẫu nhiên một ngôi sao mới khi random < Evolution_rate thông qua phương trình
2 Tạo một ngôi sao mới bằng cách chọn ngẫu nhiên hai ngôi sao từ quần thể và kết hợp các thuộc tính của chúng thông qua phương pháp kết hợp sử dụng thuật toán
GA Ngôi sao tốt nhất thu được từ quá trình tái tổ hợp sau đó được thêm vào quần thể Phương pháp được áp dụng khi random > Evolution_rate
Hình 3.8 Hoạt động lai chéo ăng ten pixel [32]
Bước 5: Kiểm tra cá thể ngôi sao
Sau mỗi lần di chuyển, các ngôi sao mới hình thành và trải qua quá trình chọn lọc Quá trình này nhằm tìm ra cá thể tốt nhất dựa trên các tiêu chí đa mục tiêu đã đặt ra.
Quá trình này bắt đầu bằng việc chọn một ngôi sao tốt nhất, sau đó thực hiện các bước di chuyển về phía lỗ đen và tái tạo một ngôi sao mới, nhằm thay thế lỗ đen ban đầu bằng một ngôi sao tốt hơn Cuối cùng, qua nhiều lần lặp lại, quá trình này sẽ tạo ra một lỗ đen tối ưu, đáp ứng các tiêu chí đã đề ra.
Output: Cá thể tốt nhất và kết quả mục tiêu
Các bước thực hiện chọn lọc bao gồm:
Bước 1: Tính toán trả về giá trị hàm mục tiêu
Qua mô phỏng trên phần mềm CST Microwave Studio, chúng ta thu được giá trị S11 tại hai tần số 2.55GHz và 3.75GHz Hai giá trị này được xem là mục tiêu quan trọng mà các ngôi sao cần đạt được trong hàm đa mục tiêu S11.
Ta thu được giá trị ở hai tần số là 2.55GHz, 3.75GHz ứng với mỗi giá trị “Fit1,j; Fit2,j” mà ngôi sao đạt được:
Bước 2: Đặt điều kiện cho hàm mục tiêu
Để thiết kế ăng ten hoạt động hiệu quả ở hai tần số 2.55GHz và 3.75GHz, cần đảm bảo rằng giá trị S11 nhỏ hơn -10dB tại cả hai tần số này Điều này cho thấy ăng ten sẽ cộng hưởng tốt ở các tần số yêu cầu Do đó, để lựa chọn được ăng ten tối ưu, chúng ta sẽ đặt ra các tiêu chí cụ thể cho việc đánh giá hiệu suất của nó.
Hai giá trị hàm mục tiêu, Fit1,j và Fit2,j, tương ứng với tần số 2.55GHz và 3.75GHz, được xác định cho một cá thể thử nghiệm đã đạt yêu cầu thứ j trong quần thể.
• 𝑆11(2.55𝐺H𝑧) và 𝑆11(3.75𝐺H𝑧) là những giá trị hàm mục tiêu của cá thể hiện tại
Để chọn lọc các cá thể, hai giá trị của hàm mục tiêu hiện tại sẽ được so sánh với hai giá trị của cá thể thử nghiệm gần nhất đạt yêu cầu Nếu các điều kiện này được thỏa mãn, cá thể thử nghiệm tốt nhất sẽ được thay thế.
Việc đặt điều kiện giá trị hàm mục tiêu của cá thể hiện tại nhỏ hơn -10dB ngay từ đầu là quá sớm, vì nếu không tìm được cá thể thỏa mãn yêu cầu ngay lập tức, cá thể thử nghiệm sẽ không được thay thế bởi các cá thể tốt hơn trong các lần thử tiếp theo Điều này dẫn đến tính hội tụ yếu, gây khó khăn trong việc tìm ra cá thể ưu việt thích hợp.
Bước 3: Di chuyển và thay thế cá thể ngôi sao thử nghiệm
Khi đáp ứng đủ hai yêu cầu của đề bài, các tham số và giá trị hàm mục tiêu của cá thể thử nghiệm ban đầu sẽ được thay thế hoàn toàn bởi cá thể mới Quá trình này tiếp tục diễn ra cho đến khi hoàn thành tất cả các lần thử trong từng quần thể và đạt đến thế hệ cuối cùng.
Bước 4: Tìm ra lỗ đen
Nếu cá thể ngôi sao thử nghiệm vượt trội hơn cá thể tốt nhất ban đầu, nó sẽ được thay thế Trong bài toán này, chúng ta có hai mục tiêu và khi chọn cá thể tốt nhất, chúng ta sẽ dựa vào mục tiêu mà chúng ta coi là quan trọng nhất Do đó, cá thể tốt nhất sẽ là cá thể hoạt động hiệu quả nhất ở tần số 2.55GHz hoặc 3.75GHz Nếu không chọn theo cách này, chúng ta có thể trực tiếp truy cập và lựa chọn cá thể tốt một cách thủ công.
Hình 3.9 Sơ đồ thuật toán chọn lọc và hội tụ
3.2.4 Thực hiện quá trình thiết kế tự động ăng ten
Sau khi thực hiện thuật toán cấu trúc ăng ten được tìm ra sẽ có dạng sau:
Hình 3.10 Ăng ten tìm được sau thuật toán
Với những tham số đã tìm được, tiến hành mô phỏng trên phần mềm CST thu được Kết quả tối ưu hóa ăng ten sẽ cho các tham số:
Hình 3.11 Hệ số phản xạ S11 của ăng ten được lựa chọn
Nhận xét: Kết quả cho thấy hệ số phản xạ S11 dưới -10dB ở hai dải tần số là 2.52
Kết luận chương
Trong chương này, một ăng ten pixel hóa đã được thiết kế và mô phỏng, cho thấy khả năng hoạt động hiệu quả trong hai dải tần số 2.52 - 2.6GHz và 3.69 - 3.85GHz, phù hợp cho truyền thông 5G dưới 6GHz Nhờ vào việc tối ưu hóa bằng thuật toán IBH, hệ số phản xạ của ăng ten tại các băng tần này đều đạt dưới -15 dB, đồng thời đồ thị bức xạ xác nhận khả năng hoạt động ổn định của ăng ten trong hai dải tần số này.
TỐI ƯU THIẾT KẾ ĂNG TEN ÁP DỤNG THUẬT TOÁN 47
Cấu trúc ăng ten
Việc lắp đặt ăng ten ở nhiều vị trí thực tế có thể gặp khó khăn, đặc biệt khi yêu cầu sử dụng hai mặt kim loại, do cần không gian thoáng cho sóng truyền Sử dụng ống dẫn sóng đồng phẳng (Coplanar Waveguide - CPW) với mặt phẳng đất ở phía trước mang lại nhiều lợi ích cho việc lắp đặt CPW không chỉ giúp dễ dàng lắp đặt mà còn hỗ trợ đáp ứng với nhiều tần số cộng hưởng trong dải tần rộng Hơn nữa, vì chỉ nằm trên một mặt phẳng, CPW không tạo ra tụ ký sinh trên mặt đất.
Nếu thiết kế ăng ten microstrip chỉ với một miếng vá đơn điệu, nó sẽ chỉ cộng hưởng ở một băng tần duy nhất Tuy nhiên, việc thêm các slot trên miếng vá giúp tạo ra các tần số cộng hưởng mới, cho phép ăng ten hoạt động ở nhiều băng tần khác nhau Cấu trúc ăng ten được tính toán theo mô hình lý thuyết và bao gồm một ăng ten vi dải đơn, hai slot chữ L ở hai bên và một slot nhỏ bên trong Ứng dụng của thiết kế này cho phép ăng ten cộng hưởng tại ba tần số 2.55 GHz, 3.75 GHz và 6.6 GHz.
Hình 4.1 Cấu trúc ăng ten đề xuất
- Chọn vật liệu và thông số liên quan :
• Vật liệu cho miếng nền: FR4 (lossy) với 𝜀 𝑟 = 4,3
• Vật liệu cho miếng bức xạ: Đồng
• Độ dày miếng nền: ℎ 𝑠 =1.6mm
Độ dày lớp đồng của miếng bức xạ và miếng đất là 0.035mm Để đạt được đặc tính bức xạ tối ưu, ăng ten cần phải được cộng hưởng và kích thước của nó phải tương đương với bước sóng.
Trong đó: c là vận tốc sóng vô tuyến (vận tốc ánh sáng)
𝜀 𝑟 là hằng số điện môi của chất nền
𝑓 là tần số cộng hưởng của ăng ten
𝜆 là bước sóng của sóng điện từ tại tần số cộng hưởng Chọn vật liệu và thông số liên quan: FR4 (𝜀 𝑟 = 4.3, ℎ = 0.8𝑚𝑚, 𝑡𝑎𝑛𝛿 = 0.008)
Hình 4.2 Hình dạng thiết kế ăng ten Đầu tiên, ta thiết kế một mảng ăng ten vi dải đơn với một tần số
49 Để tạo ra tần số cộng hưởng này, em đặt tổng chiều dài của 1 nửa ăng ten vi dải đơn sẽ bằng 𝜆 2.55𝐺𝐻𝑧
Tiếp theo, ta tạo tần số cộng hưởng thứ hai 3.75 GHz bằng việc thêm một khe hình chữ L vào 2 bên ăng ten
Khe chữ U này có tác dụng cộng hưởng ở tần số 3.75 GHz nên ta có: L7 + L4 + L1
2 + 𝐻2 + 𝑊 ≈ 𝜆 3.75𝐺𝐻𝑧 Cuối cùng, em thiết kế tần số cộng hưởng thứ 3 của ăng ten là 5.0 GHz bằng việc thêm hai khe vào giữa ăng ten vi dải đơn
Khe này có tác dụng cộng hưởng ở tần số 6.6GHz nên ta có 𝐿5 + 2 ∗ 𝑊 + 𝐻2 +
Hình 4.3 Phát triển cấu trúc hình học ăng-ten CPW: (a) một băng tần 2.55GHz (b) hai băng tần 2.55GHz, 3.75GHz và (c) ba băng tần 2.55GHz, 3.75GHz và 6.6GHz
Từ những thông số được tính toán theo lý thuyết ta có kết quả hệ số S11 như Hình 4.4
Hình 4.4 Hệ số phản xạ S11 của Ăng ten theo lý thuyết
Kết quả hệ số phản xạ S11 ở tần số 2.55GHz và 6.6GHz đạt -19.958dB và -19.247dB, cho thấy hiệu suất tốt Tuy nhiên, ở tần số 3.75GHz, kết quả không khả quan, đặc biệt là băng thông 3.7-3.8GHz Nguyên nhân chủ yếu là do sự tương tác giữa các thành phần ăng ten Để khắc phục vấn đề này, tôi sẽ áp dụng thuật toán Lỗ đen cải tiến nhằm tối ưu hóa thiết kế ăng ten, hướng tới việc đạt được hệ số phản xạ S11 đồng đều hơn giữa các băng tần.
- Thiết kế thành phần tiếp điện
Nguồn cấp cho Ăng ten có điện trở 50Ω, và trong thiết kế, chúng ta sử dụng thành phần tiếp điện dạng ống dẫn sóng đồng phẳng Tính toán trên phần mềm CST Microwave Studio cho thấy, với chất nền FR4, đường kính dẫn của nguồn cấp sẽ được xác định.
Hình 4.5 Thông số Feed line
Áp dụng thuật toán Improved Black Hole cho thiết kế ăng ten 5G
4.2.1 Xác định các thông số cho thuật toán
• Chọn số tham số trong một cá thể ngôi sao : D=6 với các tham số
• Xác định số lượng cá thể trong quần thể
Trong quá trình tối ưu hóa thuật toán IBH, tham số N, đại diện cho số ngôi sao trong quần thể, đóng vai trò quan trọng và luôn giữ nguyên Giá trị N lớn giúp tăng độ chính xác của thuật toán, nhưng đồng thời cũng làm giảm số thế hệ, điều này có thể ảnh hưởng đến hiệu quả tổng thể của quá trình tối ưu hóa.
Sau một số lần thử nghiệm thay đổi quy mô quần thể, em thu được biểu đồ sau:
Hình 4.6 Biểu đồ đặc điểm hội tụ phụ thuộc vào số lượng ngôi sao
Biểu đồ cho thấy sự hội tụ mạnh mẽ trong khoảng từ 18 đến 23 cá thể, sau đó giảm dần và đạt đỉnh mới liên tục Do đó, chúng tôi chọn N bằng 20 để đảm bảo sự hội tụ và tăng số thế hệ cho thuật toán, nhằm nâng cao độ chính xác.
• Xác định hệ số lai chéo
Thuật toán IBH là một kỹ thuật tối ưu hóa tiến hóa nổi bật nhờ tính đơn giản, hiệu quả và sức mạnh của nó Hệ số lai chéo đóng vai trò quan trọng trong việc thể hiện xu hướng thăm dò và khai thác của thuật toán Qua quá trình thử nghiệm với các hệ số lai chéo khác nhau trong khoảng từ 0 đến 1, kết quả cho thấy tỷ lệ từ 0.6 đến 0.8 mang lại mức độ hội tụ tốt nhất.
Trong bài này, ta chọn hệ số xu hướng tìm kiếm: Evolution_rate = 0.7
• Xác định điều kiện ràng buộc cho các tham số của cá thể (6 tham số)
Trong bài viết này, chúng ta sẽ phát triển một thuật toán dựa trên sáu tham số: 𝐿2, 𝐿3, 𝐿4, 𝐿5, 𝐿6 và 𝐿7 Dựa vào các giá trị tương đối đã được nghiên cứu, chúng ta sẽ tiến hành thiết lập các khoảng giới hạn cho những tham số này.
Với chủ trương thiết kế một ăng ten CPW có hướng theo trục Oy, chúng ta sẽ có dải giới hạn như sau:
Các kích thước ăng ten được xác định như sau: 𝐿2 nằm trong khoảng [6.8, 12.28] mm, 𝐿3 trong khoảng [0.5, 𝐿2] mm, 𝐿4 trong khoảng [0.2, 2] mm, 𝐿5 trong khoảng [1.0, 6.5] mm, 𝐿6 trong khoảng [3.0, 6.5] mm, và 𝐿7 trong khoảng [10.5, 15.86] mm Việc lựa chọn các khoảng kích thước rộng như vậy nhằm đảm bảo có sự tương tác tối ưu giữa các thành phần ăng ten, từ đó tạo ra nhiều lựa chọn thử nghiệm để đạt được kết quả phù hợp nhất.
Sau khi xác định các thông số cần thiết, một quần thể vector D chiều sẽ được tạo ra, trong đó mỗi chiều tương ứng với một tham số của ăng ten Trong trường hợp này, quần thể có sáu tham số (D=6) là 𝐿2, 𝐿3, 𝐿4, 𝐿5, 𝐿6, và 𝐿7, được gọi là các đặc điểm của ngôi sao trong quần thể khởi tạo Dưới đây là thuật toán để tạo ra quần thể đầu tiên, dựa trên các đặc điểm và ràng buộc đã được trình bày.
Input: D, Gen, Number_stars, Evolution_rate
L2_L, L2_H, L3_L, L3_H, L4_L, L4_H, L5_L, L5_H, L6_L, L6_H, L7_L, L7_H Output: Kết quả mục tiêu quần thể đầu tiên (𝐹𝑖𝑡 𝑖,𝑗 ) và tham số của cá thể tương ứng (𝑃𝑜𝑝(𝑖, 𝑗))
Bước đầu tiên là nhập giới hạn trên và dưới cho từng tham số, vì mỗi đặc điểm ban đầu sẽ tác động khác nhau đến từng mục tiêu trong hàm đa mục tiêu S11.
Bước 2: Tạo ngẫu nhiên mỗi ngôi sao trong quần thể, từ ngôi sao đầu tiên đến ngôi sao thứ N, dựa trên các ràng buộc đã nhập ở Bước 1 thông qua một công thức cụ thể.
𝑊𝐿𝑑: là giá trị nhỏ nhất của tham số d
𝑊𝐻𝑑: là giá trị lớn nhất của tham số d
𝑟𝑎𝑛𝑑(0,1): là hàm random có giá trị trong khoảng (0;1)
Bước 3: Với mỗi ngôi sao được tạo ra, chúng sẽ được mô phỏng bằng phần mềm
CST và lần lượt lấy ra 3 mục tiêu ứng với 3 hệ số S11 của từng tần số cộng hưởng tương
Giá trị S11 tại các tần số 2.55 GHz, 3.75 GHz và 6.6 GHz sẽ được sử dụng làm tiêu chuẩn để so sánh và đánh giá với các thế hệ tiếp theo tương ứng với Fit1,j; Fit2,j; Fit3,j.
Hình 4.7 Mô hình thuật toán khởi tạo quần thể
4.2.3 Dịch chuyển các ngôi sao lại gần Lỗ đen
Trong quá trình thực hiện thuật toán, mỗi ngôi sao ở thế hệ trước sẽ dần di chuyển về phía Lỗ đen Khi ngôi sao vượt qua bán kính Schwarzschild, nó sẽ được thay thế bằng một trong hai cách: tạo mới hoặc lai chéo.
Input: Các tham số của Lỗ đen, Evolution_rate
Output: Các ngôi sao mới
Hình 4.8 : Sơ đồ thuật toán quá trình dịch chuyển các ngôi sao lại gần Lỗ đen
Quá trình này sẽ lặp đi lặp lại ở các thế hệ cho tới khi g đạt tới giá trị GEN được sinh ra hoặc quá trình hội tụ diễn ra
Bước 1: Với quần thế các ngôi sao, tính bán kính Schwarzschild dựa trên kết quả
Fiti,j của Lỗ đen và quần thể ngôi sao:
Bước 2: Xét lần lượt từng ngôi sao trong quần thể sao Với ngôi sao đang xét, ta dịch chuyển ngôi sao tới gần lỗ đen theo công thức:
Bước 3: Sử dụng mô phỏng qua CST để xác định kết quả mục tiêu của ngôi sao ở vị trí mới và so sánh với Bán kính Schwarzschild Tiến hành loại bỏ các ngôi sao không đáp ứng điều kiện đã đề ra.
Bước 4: Tạo ngôi sao mới Trong bước này, chúng ta sẽ thay thế các ngôi sao đã vượt qua bán kính Schwarzschild bằng một trong hai phương pháp thông qua xác suất Evolution_rate.
1 Tạo ngẫu nhiên một ngôi sao mới với xác suất 0,7 (sử dụng phân phối đồng đều) thông qua phương trình PT 4-5
2 Tạo một ngôi sao mới bằng cách chọn ngẫu nhiên hai ngôi sao từ quần thể và kết hợp các thuộc tính của chúng thông qua phương pháp kết hợp sử dụng thuật toán
GA Ngôi sao tốt nhất thu được từ quá trình tái tổ hợp sau đó được thêm vào quần thể Phương pháp được áp dụng với xác suất là 0,3
(1 − 𝑅) ∗ 𝑙𝑜𝑐𝑎𝑡𝑖𝑜𝑛_𝑠𝑡𝑎𝑟(𝑑, 𝑟2) PT 4-10 Bước 5: Kiểm tra cá thể ngôi sao
Sau mỗi lần di chuyển và thay đổi, cá thể ngôi sao mới hình thành sẽ được kiểm tra theo các điều kiện ràng buộc ban đầu cho từng tham số Tiếp theo, quy trình chọn lọc diễn ra để tìm ra cá thể tốt nhất dựa trên hàm đa mục tiêu đã được xác định.
Quá trình này bắt đầu bằng việc chọn một ngôi sao tốt nhất, sau đó trải qua các bước di chuyển tiến tới lỗ đen và tái tạo ngôi sao Qua từng lần lặp, ngôi sao mới sẽ thay thế lỗ đen ban đầu, cho đến khi cuối cùng tạo ra một lỗ đen tối ưu nhất đáp ứng các yêu cầu đã đề ra.
Output: Cá thể tốt nhất và kết quả mục tiêu
Các bước thực hiện chọn lọc bao gồm:
Bước 1: Tính toán trả về giá trị hàm mục tiêu
Mô phỏng, chế tạo và đo đạc ăng ten thực tế
4.3.1 Kết quả mô phỏng S11 và đo đạc thực tế
Dựa trên các thông số đã chọn ở mục 4.2.5, chúng tôi đã thực hiện mô phỏng trên phần mềm CST và tiến hành đo đạc từ thiết kế thực tế, kết quả thu được như sau:
Hình 4.13 Hình dạng mô phỏng ăng ten CPW
Hình 4.14 Ăng ten CPW thực tế
Các bộ phận của Ăng ten CPW được chế tạo bao gồm:
- Ăng ten được tối ưu hóa với kích thước nhỏ 50x50mm
- Tấm mặt phẳng đất được phủ đồng một mặt
Hình 4.15 Hệ số phản xạ S11 của ăng ten
Kết quả mô phỏng và đo thực tế cho thấy sự sai lệch không đáng kể, với ăng ten hoạt động tốt ở ba tần số 2.55GHz, 3.75GHz và 6.6GHz, có hệ số phản xạ S11 lần lượt khoảng -12.00dB, -15dB và -21dB Băng thông thực tế tại 2.55GHz và 6.6GHz lớn hơn so với mô phỏng, trong khi băng thông tại 3.75GHz lại nhỏ hơn Những sai lệch nhỏ này có thể do đầu nối hoặc lỗi trong quá trình sản xuất, cũng như giới hạn của chương trình mô phỏng Thêm vào đó, đặc điểm vật liệu điện môi thực tế có thể khác với các thông số trong phần mềm mô phỏng, dẫn đến sự khác biệt giữa kết quả mô phỏng và đo thực tế.
4.3.2 Kết quả mô phỏng các thông số khác
4.3.2.1 Surface current: Đồ thị dòng điện mặt Ở tần số 2.55GHz, dòng điện mặt (surface current) thu được ở kết quả mô phỏng như trên Hình 4.16 Dòng điện chạy từ nguồn cấp lên mặt ăng ten phản xạ chạy dọc theo ăng ten nhưng tập trung ở nhánh chính của ăng ten phù hợp với lý thuyết Toàn bộ năng lượng tập trung rất nhiều ở nhánh chính đảm bảo hiệu quả của tần số này
Hình 4.16 Surface current tại tần số 2.55GHz
Trong khi đó với tần số 3.75GHz, dòng điện bề mặt thu được như trên Hình 4.17
Bức xạ ở tần số này chủ yếu được tạo ra từ phần chữ L cộng hưởng bên ngoài, do đó, dòng điện tại phần chữ L trở thành nguồn năng lượng chính cho sự bức xạ của ăng ten.
Hình 4.17 Surface current tại tần số 3.75GHz
Tại tần số 6.6GHz, dòng điện được minh họa trong Hình 4.18, với phần bức xạ chủ yếu hình thành từ hai bộ phận cộng hưởng từ nhánh thêm trong ăng ten kết hợp với nhánh chính, cùng sự cộng hưởng của nhánh ăng ten chính với mặt phẳng đất Nhờ đó, năng lượng bị mất mát không đáng kể, tạo ra sự cộng hưởng cao và băng thông rộng.
Hình 4.18 Surface current tại tần số 6.6GHz
Các đồ thị bức xạ Farfiled của ăng ten đề xuất ở ba tần số cộng hưởng ở cả dạng 2D và 3D được thể hiện ở các hình bên dưới:
Hình 4.19 Đồ thị 3D Farfield tần số: (a) 2.55GHz, (b) 3.75GHz, (c) 6.6GHz
Tại tần số 2.55GHz, ăng ten phát ra bức xạ mạnh mẽ theo hai hướng vuông góc với mặt phẳng ăng ten, với độ lợi đạt 2.085dB, cho thấy hiệu suất tốt Hình 4.19(a) minh họa rõ ràng độ lợi này, trong khi Hình 4.20 thể hiện đặc điểm của chùm tia chính, tạo ra sự vô hướng tại tần số này.
Tại tần số 3.75GHz, ăng ten phát ra bức xạ mạnh mẽ theo hai hướng vuông góc với mặt phẳng ăng ten, cho thấy độ lợi khá cao Kết quả đo được cho thấy độ lợi đạt 3.474dB, chứng tỏ hiệu suất tốt ở tần số này Hình 4.20 minh họa rõ đặc điểm của chùm tia chính, tạo ra sự đẳng hướng giữa hai hướng đối nhau.
Đồ thị trong Hình 4.19(c) minh họa rõ nét đặc điểm farfield tại tần số 6.6 GHz, cho thấy hướng bức xạ của ăng ten nghiêng về phía vuông góc với mặt phẳng ăng ten và hướng chéo lên trên Kết quả cho thấy độ lợi gain tại tần số 2.55 GHz đạt giá trị cao với Gain=3.907 dB, điều này được giải thích bởi sự đẳng.
Tại tần số này, ăng ten có 65 hướng khác nhau (Hình 4.20), cho thấy khả năng tập trung năng lượng tốt của đồ thị dòng điện mặt đã góp phần tạo nên điểm mạnh cho tần số này.
Kết luận chương
Trong chương này, chúng tôi trình bày một đề xuất ăng ten vi dải cấp nguồn ống dẫn sóng đồng phẳng (CPW) ba băng tần được thiết kế và mô phỏng ăng ten có kích thước nhỏ gọn hoạt động hiệu quả trong ba dải tần số 2.5 - 2.6GHz, 3.7 - 3.8GHz và 6-7GHz, phù hợp cho truyền thông 5G Nhờ vào việc tối ưu hóa bằng thuật toán Lỗ đen cải tiến, hệ số phản xạ của ăng ten ở các băng tần này đều đạt dưới -15 dB Đồ thị bức xạ cho thấy khả năng hoạt động tốt của ăng ten tại ba băng tần này, và các đồ thị bức xạ Farfield cũng khẳng định hiệu suất cao của ăng ten cho các thiết bị di động 5G.
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Trong bài viết này, thuật toán Lỗ đen cải tiến (Improved Black Hole - IBH) được phát triển trên nền tảng Python và kết hợp với phần mềm mô phỏng ăng ten CST Microwave Studio nhằm tối ưu hóa ăng ten với các tiêu chí thiết kế như kích thước nhỏ và khả năng đa băng tần Các tham số hình học của ăng ten được trích xuất để tối ưu hóa thông qua thuật toán IBH, trong khi hiệu suất của từng thiết kế ứng cử viên được đánh giá bằng phần mềm CST.
Một ăng ten pixel hai băng tần và một ăng ten vi dải cấp nguồn ống dẫn sóng đồng phẳng ba băng tần đã được thiết kế và tối ưu hóa bằng thuật toán IBH Sau khi chế tạo, ăng ten đã được đo kiểm để xác nhận tính hiệu quả của thuật toán Kết quả đo cho thấy thuật toán IBH có triển vọng lớn trong việc thiết kế ăng ten thực tế.
Công nghệ ăng ten tiến hóa đang ngày càng trở nên quan trọng trong lĩnh vực viễn thông, với khả năng tối ưu hóa hiệu suất truyền tải tín hiệu Nhiều nghiên cứu nổi bật trên thế giới đã chứng minh hiệu quả của các thuật toán tối ưu trong việc cải thiện thiết kế và chức năng của ăng ten Việc áp dụng các công nghệ tiên tiến này không chỉ nâng cao chất lượng dịch vụ mà còn đáp ứng nhu cầu ngày càng cao của người dùng trong kỷ nguyên số.
Nắm vững lý thuyết cơ bản về ăng ten, đặc biệt là ăng ten vi dải, ăng ten pixel và ăng ten CPW, là rất quan trọng để áp dụng các thuật toán nhằm tối ưu hóa cấu trúc ăng ten.
• Xây dựng khung chương trình trên Python thực hiện lệnh trên phần mềm mô phỏng ăng ten CST Microwave Studio
Tìm hiểu về thuật toán Lỗ đen cải tiến (Improved Black Hole - IBH) và phát triển thuật toán này trên Python, kết hợp với phần mềm CST nhằm tối ưu hóa các yêu cầu thiết kế.
Đúc kết kinh nghiệm trong việc làm việc với thuật toán tiến hóa là rất quan trọng, từ thiết kế mô phỏng cho đến thi công và đo đạc ăng ten thực tế, nhằm đảm bảo đạt được kết quả chính xác và đồng nhất.
Việc tìm hiểu và đọc các bài báo đã trở nên quen thuộc và dễ dàng hơn, đồng thời kỹ năng phân tích và trình bày văn bản khoa học cũng được cải thiện đáng kể.
Việc áp dụng thuật toán trong thiết kế ăng ten giúp tiết kiệm thời gian thử nghiệm các tham số ảnh hưởng đến tần số hoạt động Đối với những thử nghiệm phức tạp hơn về tính toán chính xác tham số ăng ten hoặc cho các mục đích đặc biệt, thiết kế ăng ten tự động sẽ phát huy tối đa hiệu quả.
Kết quả của bài luận văn đã được trình bày ở bài báo:
Multi-band Antenna Design Optimization Using Nature-inspired Evolutionary Algorithm For 5G Wireless Communication, Authors: Le Minh Hoang, Nguyen Thanh Huong*, Nguyen Duc Hai, JST: SsaD, ISSN2734-9373
Hướng phát triển của đề tài trong tương lai
Công nghệ ăng ten tiến hóa đang thu hút sự chú ý lớn, nhằm khắc phục những hạn chế của thiết kế ăng ten thủ công và phát triển các ăng ten đặc biệt cho quân sự và hàng không vũ trụ Tuy nhiên, do thời gian và khả năng sản xuất hạn chế, nhiều vấn đề vẫn chưa được giải quyết Để hoàn thiện sản phẩm, tôi xin đề xuất một số định hướng nghiên cứu và cải tiến trong tương lai.
- Về cấu trúc ăng ten: tạo và tìm hiểu cấu trúc ăng ten phức tạp hơn với đa dạng mục đích
Thuật toán tiến hóa vi phân đang được kết hợp với các phương pháp và chiến lược khác, bao gồm cả các chương trình AI, nhằm nâng cao khả năng tính toán và đo lường ăng ten Sự kết hợp này không chỉ cải thiện hiệu suất mà còn tối ưu hóa quy trình nghiên cứu và phát triển trong lĩnh vực công nghệ ăng ten.
- Áp dụng đa dạng thuật toán với mỗi mục đích thiết kế ăng ten khác nhau
Từ những cải tiến đó em sẽ định hướng thành một sản phẩm hoàn thiện có thể đáp ứng được các ứng dụng trong truyền thông 5G tương lai
[1] J.Clement, “Global mobile data traffic 2017-2022,” 2/2020
[3] K A Arun Agarwal, “The Next Generation Mobile Wireless Cellular Networks – 4G and Beyond,” Journal of Electrical and Electronic Engineering, April 2014
[4] A K P O Singh, “5G Technology – Redefining wireless Communication in upcoming years,,” International Journal of Computer Science and Management
[5] G M K A A Agarwal, “The Next Generation Mobile Wireless Cellular Networks – 4G and Beyond,” Journal of Electrica and Electronic Engineering,
[6] T U R P Arpan Desai, “Compact wideband transparent antenna for 5G communication systems,” Microw Opt Technol Lett, 2018
[7] S B B P Sasmita Behera, “A review on optimization algorithms and application to wind energy integration to grid,” Renewable and Sustainable Energy Reviews , p 48, August 2015
[8] Pastmike, “What is a genetic algorithm?,” AUGUST 2, 2018
[9] M B C B M C Marco Dorigo, “Ant Colony Optimization and Swarm Intelligence,” ANTS: International Conference on Swarm Intelligence 2008, 2008
[10] K H A M S N Mohamad Nizam Aliman, “Gravitational search algorithm: R is better than R2?,” ARPN Journal of Engineering and Applied Sciences , April 2016
[11] F Glover, “Heuristics for integer programming using surrogate constraints,”
[12] K Z Arash Mahari, “A solution to the generation scheduling problem in power systems with large-scale wind farms using MICA,” International Journal of Electrical Power & Energy Systems, tập Volume 54, January 2014
[13] R J Junping Geng, “Antenna Optimization and Design Based on Binary Coding,”
[14] S G S G K S Achilles Boursianis, “MIMO Antenna Design for 5G Communication Systems Using Salp Swarm Algorithm 2020,” International Workshop on Antenna Technology (iWAT), February 2020
[15] D M M T Rubesh Kumar, “Wireless Personal Communications,” Hybrid Fabric
Wearable Antenna Design and Evaluation for High Speed 5G Applications, June
[16] “Viettel, MobiFone được phép thử nghiệm thương mại 5G,” 02 11 2020 [Trực tuyến] Available: rfd.gov.vn
[17] “Hội thảo Kết nối băng rộng không dây trên băng tần 6 GHz,” 27 07 2022 [Trực tuyến] Available: rfd.gov.vn
[18] C A Balanis, “Antenna theory: analysis and design,” 2005
[19] D.M.Pozar, “Microwave engineer ,” tập 4th , 2012
[20] C A Balanis, “ANTENNA THEORY ANALYSIS AND DESIGN.”
[21] Antenna, “The Antenna Theory Website,” [Trực tuyến] Available: https://www.antenna-theory.com
[22] A Hatamlou, “Black hole: A new heuristic optimization approach for data clustering,” Inf Sci, tập 222 , pp pp.175-184, 2013
[23] B R R a M S K K Lenin, “Black Hole Algorithm for Solving Optimal Reactive Power Dispatch Problem,” International Journal of Research in Management, Science and Technology, tập vol 2, pp pp 2321-3264, 2014
[24] N Ghaffarzadeh and S Heydari, “Optimal Coordination of Digital Overcurrent Relays using Black Hole Algorithm,” TI Journals of World Applied Programming, tập vol 5, pp pp 50-55, 2015
[25] N A E Pashaei, “ Binary black hole algorithm for feature selection and classification on biological data Applied Soft Computing,” tập vol 56, p pp 94–
[26] J W C X S G M G L Z W Xie, “Extreme learning machine soft-sensor model with different activation functions on grinding process optimized by improved black hole algorithm,” IEEE Access 8, p pp 25084– 25110, 2020
[27] S M H Yaghoobi, “ Modified Black Hole algorithm with genetic operators,”
International Journal of Computational Intelligence Systems,, tập vol 9 (4), p pp
[28] A S D M S K S H Deeb, “Improved black hole optimization algorithm for data clustering,” J King Saud Univ-Comput Inf Sci, tập vol 34, pp pp 5020-5029,
[29] X Jia và G Lu, “A Hybrid Taguchi Binary Particle Swarm Optimization for Antenna Designs,” IEEE Antennas and Wireless Propagation Letters , August
[30] R O Ouedraogo, J Tang, K Fuchi và E J Rothwell, “A Tunable Dual-Band Miniaturized Monopole Antenna for Compact Wireless Devices,” Raoul O Ouedraogo; Junyan Tang; Kazuko Fuchi; Edward J Rothwell, June 2014
[31] D Thiel, M Shahpari, J Hettenhausen và A Lewis, “Point contacts in modeling conducting 2-D planar structures,” IEEE Antennas Wirel, tập 14, p 978–981,
[32] A E H M B N A T a T.-e E Mohammed Lamsalli, “Genetic Algorithm Optimization for Microstrip Patch Antenna Miniaturization,” Progress In Electromagnetics Research Letters, 2016
[33] M Bello, “5G NETWORK: EXPECTATION VS.REALITY”.