Pasar al contenido principal

GESTION AUTONOMA Y EFICIENTE DE RECURSOS EN DESPLIEGUES REALES DE REDES 5G Y BEYOND

PID2023-151462OB-I00

•
Nombre agencia financiadora Agencia Estatal de Investigación
Acrónimo agencia financiadora AEI
Programa Programa Estatal para Impulsar la Investigación Científico-Técnica y su Transferencia
Subprograma Subprograma Estatal de Generación de Conocimiento
Convocatoria Proyectos de I+D+i (Generación de Conocimiento y Retos Investigación)
Año convocatoria 2023
Plan Estatal 2021-2023 Plan Estatal de Investigación Científica y Técnica y de Innovación
Centro beneficiario UNIVERSIDAD DE EXTREMADURA

Resultados relacionados

Resultados totales (Incluyendo duplicados): 1
Encontrada(s) 1 página(s)

Academica-e. Repositorio Institucional de la Universidad Pública de Navarra
Publicación Contribución de congreso (ConferenceOutput)

Modelos de aprendizaje automático para caracterización de composites magneto-dieléctricos

  • Duque-Madrid, Nathalia
  • Gómez Laso, Miguel Ángel
  • Luna, Francisco
  • Arregui Padilla, Iván
  • Lopetegui Beregaña, José María
  • Pons Abenza, Alejandro
  • Álvarez Botero, Germán Andrés
Este trabajo presenta una evaluación sistemática de cuatro modelos de aprendizaje automático (ML) utilizados para la extracción simultánea de la permitividad compleja (ε) y la permeabilidad (μ) en materiales compuestos magneto-dieléctricos. Los resultados se analizan mediante métricas de rendimiento y técnicas orientadas a mejorar la explicativo de los modelos, con el fin de identificar las características más relevantes que intervienen en las predicciones. Los modelos han sido entrenados utilizando un conjunto de 2554 muestras obtenidas a partir de simulaciones electromagnéticas de onda completa realizadas en CST Microwave Studio. La selección del mejor modelo se lleva a cabo empleando el error cuadrático medio (MSE) y el coeficiente de determinación (R²). Asimismo, se realiza un análisis de explicativo para profundizar en la comprensión de los resultados y establecer la importancia de cada característica de entrada en el proceso de predicción., This paper presents a systematic assessment of four machine learning (ML) models used for the simultaneous extraction of complex permittivity (ε) and permeability (μ) in magnetodielectric composites. Results are analyzed by focusing on metrics and techniques to improve models explainability and identify the main characteristics involved in the predictions. The models have been trained with 2554 samples obtained from full-wave simulations in CST microwave studio. The best model has been chosen using MSE and (R²) metrics. An analysis of explainability has been performed to enhance understanding of the results and to establish feature importance in the model predictions., Agradecemos el apoyo recibido a través del proyecto PID2020-112545RB-C53 del Ministerio de Ciencia e Innovación - Agencia Estatal de Investigación (MCIN/AEI/10.13039/501100011033). Francisco Luna agradece igualmente el apoyo recibido a través de los proyectos PID2020-112545RB-C54 y PID2023-151462OB-I00. Germán Álvarez-Botero agradece el apoyo recibido a través del programa ANDIA del Gobierno de Navarra