CST电磁仿真实践:开路半波长同轴谐振器

news2024/10/7 16:27:21

许多微波技术初学者得知有现成的软件能够求解麦克斯韦方程组时,内心感到非常高兴,毕竟除了数学专家,不是所有人都能熟练掌握这方面的技术。尤其是,当看到CST电磁仿真软件可以生成美观的电磁场分布彩图时,他们对CST电磁仿真软件更是爱不释手。


然而,对于一些有经验的用户来说,可能会感到困惑:对于同一问题或模型,不同的电磁仿真软件参数设置将导致不同甚至完全不同的结果。那么,应该相信哪一个仿真结果呢?也许正是因为仿真结果会因人而异,导致其并不完全可靠,因此,类似IEEEMTT这样的权威期刊通常要求有实验数据才能发表论文。

以下是详细演示开路半波长同轴谐振器的示例。选择这个示例是因为它与我最近关注的问题有很高的相关性。
1.比较CST仿真的结果和教科书上的理论结果;
2.请展示一下网格划分参数设置对仿真结果的影响。
首先,我们需要简单介绍相关理论。开路半波长同轴谐振器的谐振频率和品质因子是其两个关键技术指标。谐振频率的计算方法如下:

图1  开路半波长同轴谐振器电磁模型及仿真结果

在仿真完成后,得到了S参数(仅S11),可以利用该参数来确定谐振频率(如图1所示,谐振频率略低于5GHz,比之前的理论值稍微偏低,这是由于谐振器激励引起的,详细理论请参见Pozar的《微波工程》第六章),并可得到无载Q值。如何基于S11值来获取无载Q值,详细理论可参考《通信系统微波滤波器基础、设计与应用》第11章,作者为RichardJ.Cameron、ChandraM.Kudsia和RaafatR.Mansour。以下是MATLAB程序,可基于S11值来获取无载Q值:

代码——

% extract Q from S11 dB

clc;clear all;close all;

% microwave filters for communication systems Fundamentals, Design, and Applications

% Second Edition RichardJ.Cameron, ChandraM.Kudsia,RaafatR.Mansour;

% 11.4.2: Measurement of Unloaded Q Using Linear Display of Reflection Coefficient

%%

S11_data=textread(microscope_28_01_2_5GHz_05_4.txt,,headerlines,3);

simu_data01=S11_data;

freq=simu_data01(:,1);

S11dB=simu_data01(:,2);

[S11_min, S11_min_num]=min(S11dB);

f0=freq(S11_min_num);

k_under=(1-10^(S11_min/20))/(1+10^(S11_min/20));

k_over=(1+10^(S11_min/20))/(1-10^(S11_min/20));

S11_phi=10*log10((1+10^(S11_min/10))/2);

offset01=0.2;

num01=find(S11dB<S11_phi+offset01,1);

num02=find(S11dB<S11_phi-offset01,1);

f1=interp1(S11dB(num01:num02),freq(num01:num02),S11_phi,spline);

num01=find(S11dB(S11_min_num:length(S11dB))>S11_phi-offset01,1);

num02=find(S11dB(S11_min_num:length(S11dB))>S11_phi+offset01,1);

f2=interp1(S11dB(num01+S11_min_num:num02+S11_min_num),freq(num01+S11_min_num:num02+S11_min_num),S11_phi,spline);

delta_f=f2-f1;

Q_load=f0/delta_f;

Q_unload_under=Q_load*(1+k_under);

Q_unload_over=Q_load*(1+k_over);

data_out_filter=[S11_min f0 Q_load Q_unload_under Q_unload_over];

需要注意的是,在上述程序中提取Q值的前提是要了解谐振器的耦合状态,也就是判断它是欠耦合还是过耦合。判断的具体方法如下:将图1中的S参数转换为图2所示的Smith圆图,如果圆的直径(观察内圆)小于1,则是欠耦合,否则是过耦合。下图显示这个谐振器是欠耦合状态,所计算出的无载Q值为837。相对于之前预估的数值870,相对误差约为4%。这表明所建立的模型和仿真参数的设定以及Q值提取方法是合理的。

图2 S参数的Smith圆图形式

为了研究网格剖分参数对模拟结果的影响,在CST软件中设置不同的Cellsperwavelength参数进行了一系列仿真。根据图3所示的品质因子数据,结果表明Cellsperwavelength取值适中最佳。一般来说,Cellsperwavelength参数越大,模型网格总数越多,从而导致所需的硬件资源和仿真时间也会更多。尽管常规认为模型网格越细,模拟结果越精确,但是结果与图3所显示的情况有所不同,具体原因需要进一步研究。

根据相似的方法,我们还对其他谐振频率进行了模拟,将其仿真结果与理论结果进行比较,总结如表1和图4所示。

图3 网格参数对仿真结果的影响

表1 电磁仿真与理论计算结果对比

图4 仿真Q值与理论Q值的对比(具体数据见表1)

在进行仿真时,除了网格剖分参数以外,电磁边界条件、对称条件等参数的设置也可能会对仿真性能产生显著的影响,包括结果是否准确、所需硬件资源是否最少、仿真所需时间是否最短等。因此,如果想要成为一名仿真专家,就需要付出更多的努力。

【推荐内容】

CST电磁仿真考虑 ESD 保护二极管元件的差分传输线阻抗仿真

怎么用matlab来控制CST里的Update启动

CST软件如何使用混合求解器仿真RCS

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1868203.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

mac app应用程序如何自定义图标, 更换.app为自己喜欢的图标或者图片 详细图文讲解

在mac系统中&#xff0c;我们可以对任何的app应用程序更换或者自定义图标&#xff0c; 这个图标可以是拥有的app的图标&#xff0c;或者是你自己制作的 x.icns 图标 或者是 任意的图片&#xff0c; 建议大小512x512 。 自定义图标方法如下&#xff1a; 1. 更换为已有app的图标…

深入剖析JavaScript的原型及原型链

什么是JavaScript的原型&#xff1f; 原型是函数上的一个属性&#xff0c;它定义了构造函数制造的对象的公共祖先 原型的主要作用在于实现对象之间的属性和方法共享&#xff0c;从而节省内存空间&#xff0c;提高代码的效率 我们通过一段代码来接讲解&#xff0c;通过购买小米…

掉了两根头发后,我悟了!vue3的scoped原来是这样避免样式污染(上)

前言 众所周知&#xff0c;在vue中使用scoped可以避免父组件的样式渗透到子组件中。使用了scoped后会给html增加自定义属性data-v-x&#xff0c;同时会给组件内CSS选择器添加对应的属性选择器[data-v-x]。这篇我们来讲讲vue是如何给CSS选择器添加对应的属性选择器[data-v-x]。…

OpenFAST软件中linux-gnu,linux-intel,macos-gnu,vtk,windows-intel文件的作用

在OpenFAST中&#xff0c;5MW_Land_DLL_WTurb目录下的这五个文件夹分别有不同的用途&#xff0c;主要是为了支持不同操作系统和平台的编译和仿真工作。以下是每个文件夹的总结及其作用&#xff1a; linux-gnu 作用&#xff1a;包含用于GNU编译器套件&#xff08;GCC&#xff09…

私有化部署 Dify 并快速搭建 AI 应用

Dify介绍 Dify 是一个开源的 LLM 应用开发平台。其直观的界面结合了 AI 工作流、RAG 管道、Agent、模型管理、可观测性功能等&#xff0c;让您可以快速从原型到生产。以下是其核心功能列表&#xff1a; 1. 工作流: 在画布上构建和测试功能强大的 AI 工作流程&#xff0c;利用…

大数据之路 读书笔记 Day2

大数据之路 读书笔记 Day2 日志采集——浏览器的页面采集 一、分类 #mermaid-svg-ar0WySJJTNk7KvqN {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-ar0WySJJTNk7KvqN .error-icon{fill:#552222;}#mermaid-svg-ar0…

keil仿真,查看函数执行时间和执行次数

Execution Profiler执行档案器 The Execution Profiler records timing and execution statistics about instructions for the complete program code. To view the values in the Editor or Disassembly Window, use Show Time or Show Calls from the menu Debug — Executi…

IND83081芯片介绍(一)

一、芯片介绍 IND83081是indiemicro推出的一款高性能的汽车矩阵LED照明控制器&#xff0c;集成了四个子模块&#xff0c;每个子模块包含三个串联的MOSFET开关&#xff0c;每个开关均可通过12位PWM内部信号控制&#xff0c;可配置的上升和下降速率及相位移以实现精确控制&#x…

昇思25天学习打卡营第1天|快速入门-Mnist手写数字识别

学习目标&#xff1a;熟练掌握MindSpore使用方法 学习心得体会&#xff0c;记录时间 了解MindSpore总体架构 学会使用MindSpore 简单应用时间-手写数字识别 一、MindSpore总体架构 华为MindSpore为全场景深度学习框架&#xff0c;开发高效&#xff0c;全场景统一部署特点。 …

如何ubuntu安装wine/deep-wine运行exe程序(包括安装QQ/微信/钉钉)

1.失败的方法&#xff1a; ubuntu22.04尝试下面这个链接方法没有成功&#xff0c; ubuntu22.04安装wine9.0_ubuntu 22.04 wine-CSDN博客 上面链接里面也提供了wine官方方法&#xff0c;链接如下&#xff1a;https://wiki.winehq.org/Ubuntu_zhcn 但是运行最后一个命令时候报…

win10 C:\Users\Administrator

win10 C:\Users\Administrator C:\Users\Administrator\Documents\ C:\Users\Administrator\Pictures C:\Users\Administrator\Favorites C:\Users\Administrator\Links C:\Users\Administrator\Videos

【C++】————内存管理

作者主页&#xff1a; 作者主页 本篇博客专栏&#xff1a;C 创作时间 &#xff1a;2024年6月26日 一、C内存分布 我们先来看一串代码&#xff1a; int globalVar 1; static int staticGlobalVar 1; void Test() {static int staticVar 1;int localVar 1;int num1[10] …

电脑怎么设置锁屏密码?这3个方法你知道吗

在日常生活中&#xff0c;电脑已成为我们工作和娱乐的重要工具。为了保护个人信息和数据安全&#xff0c;设置锁屏密码是必不可少的一步。通过设置锁屏密码&#xff0c;您可以有效防止未经授权的访问&#xff0c;确保电脑上的隐私和数据不被泄露。本文将详细介绍电脑怎么设置锁…

STM32_hal_STM32Cude_实现RT—Thread系统

1stm32cude下载系统 1.-2下载显示绿色的为下载成功 2为项目导入系统---点击如下选项 2-1选中如下 意思为 kemel 系统内核 shell shell的实现 device 设备 2-2可以看到项目选项中多了如图选项 3实现led闪烁 3-1 定义两个引脚用于控制led 3-2选择时钟源 3-3更改延迟函数…

Planned independent reguirement can only be maintained via the network

背景&#xff1a;用户上线ps系统&#xff0c;物料用策略70跑需求 但是因为通用料被改了策略&#xff0c;改成其他的了&#xff0c;影响到计划独立需求了。 如果用户不需要了哪个料就会把数量改为0&#xff0c;或者直接删掉物料。之前建议是改成0&#xff0c;这样还有个记录在…

【Python机器学习】交互特征与多项式特征

对于线性模型来说&#xff0c;想要丰富特征&#xff0c;还有一种方法是添加原始数据的交互特征和多项式特征。这种特征工程通常用于统计建模&#xff0c;但也经常用于实际的机器学习应用中。 交互特征 上一篇的例子里&#xff0c;线性模型对wave数据集的的每个箱子都学到一个…

基于稀疏矩阵方法的剪枝压缩模型方案总结

1.简介 1.1目的 在过去的一段时间里&#xff0c;对基于剪枝的模型压缩的算法进行了一系列的实现和实验&#xff0c;特别有引入的稀疏矩阵的方法实现了对模型大小的压缩&#xff0c;以及在部分环节中实现了模型前向算法的加速效果&#xff0c;但是总体上模型加速效果不理想。所…

从零到一打造自己的大模型:模型训练

前言 最近看了很多大模型&#xff0c;也使用了很多大模型。对于大模型理论似乎很了解&#xff0c;但是好像又缺点什么&#xff0c;思来想去决定自己动手实现一个 toy 级别的模型&#xff0c;在实践中加深对大语言模型的理解。 在这个系列的文章中&#xff0c;我将通过亲手实践…

【面试题】Spring面试题

目录 Spring Framework 中有多少个模块&#xff0c;它们分别是什么&#xff1f;Spring框架的设计目标、设计理念&#xff1f;核心是什么&#xff1f;Spring框架中都用到了哪些设计模式&#xff1f;Spring的核心机制是什么&#xff1f;什么是Spring IOC容器&#xff1f;什么是依…

竞赛选题 python区块链实现 - proof of work工作量证明共识算法

文章目录 0 前言1 区块链基础1.1 比特币内部结构1.2 实现的区块链数据结构1.3 注意点1.4 区块链的核心-工作量证明算法1.4.1 拜占庭将军问题1.4.2 解决办法1.4.3 代码实现 2 快速实现一个区块链2.1 什么是区块链2.2 一个完整的快包含什么2.3 什么是挖矿2.4 工作量证明算法&…