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
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
Proyecto:
AEI / Plan Estatal de Investigación Científica y Técnica y de Innovación 2017-2020 PID2020-112545RB-C53
,
AEI / Plan Estatal de Investigación Científica y Técnica y de Innovación 2017-2020 PID2020-112545RB-C54
,
AEI / Plan Estatal de Investigación Científica y Técnica y de Innovación 2021-2023 PID2023-151462OB-I00