磁性衬底导向的宽带超材料吸波体的吸波机理及设计方案【附代码】

✨ 长期致力于磁性材料、超材料吸波体、宽频带微波吸收、吸波机理、智能算法研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1对称模型分析多层反射干涉与等效电磁参数重构提出对称模型将超材料吸波体视为空气-超表面-介质-金属背板的多层结构。基于传输线理论分别计算各层界面的反射系数通过叠加干涉得到总反射损耗。推导发现超表面的作用等效于引入一个等效电容电感谐振回路其谐振频率可由几何参数调控。将对称模型用于分析磁性衬底发现当磁性材料的复磁导率虚部在宽频带内保持高值时超表面的电谐振可以与之互补。重构的等效电磁参数表明超材料吸波体的归一化阻抗实部在6~18GHz范围内趋近于1虚部接近0从而实现宽频匹配。利用对称模型对Co2Z型六角铁氧体衬底进行分析预测吸收带宽从3GHz拓展至12GHz。2遗传算法多层衬底组合优化与深度学习超表面图案生成编写遗传算法搜索多层磁性衬底的最优组合每层材料从数据库(SiO2, Co2Z, NiZn铁氧体碳基吸波膜)中选择层数限定为3层。个体编码为实数向量表示每层厚度(0.1~2mm)和材料索引适应度函数为-10dB吸收带宽。种群规模100进化120代后最优组合为Co2Z(1.2mm)/NiZn(0.8mm)/碳膜(0.3mm)带宽达到12.6GHz。超表面图案设计采用编码化方法将单元结构离散为32×32像素每个像素代表金属贴片的有无。使用卷积自编码器学习图案到反射谱的映射再用遗传算法搜索最优图案。训练数据集包含50000个随机图案及其FDTD仿真反射率。生成的最优图案为分形十字结构在8~14GHz范围内反射损耗低于-12dB。3斜入射稳定性分析与宽带吸收实验验证基于多重反射模型推导斜入射下TE和TM波的反射系数公式。定义了最大有效吸收角度θ_max满足条件为在该角度下10dB吸收带宽仍保持原带宽的80%以上。对于TM波当磁性衬底的磁导率满足特定色散关系时可在很大角度(大于60°)保持高效吸收。制备了优化后的超材料吸波体样品尺寸300mm×300mm。在弓形法测试系统中测量垂直入射反射率-10dB吸收频段为5.2GHz~18.3GHz相对带宽111%。45°斜入射下TE波吸收带宽收缩至7.2~16.1GHzTM波基本保持不变。与商业吸波海绵对比厚度减少37%面密度降低52%。该设计已应用于某暗室改造低频吸收性能提升显著。import numpy as np import random from deap import base, creator, tools, algorithms class TransferMatrixMethod: def __init__(self, freq_range): self.freqs np.linspace(freq_range[0], freq_range[1], 201) def reflection(self, eps_r, mu_r, thickness, metal_backTrue): Z0 377 Z_in Z0 * np.sqrt(mu_r/eps_r) * np.tanh(1j*2*np.pi*self.freqs*thickness*np.sqrt(eps_r*mu_r)/3e8) if metal_back: Z_L 0 else: Z_L Z0 Gamma (Z_in - Z_L)/(Z_in Z_L) return 20*np.log10(np.abs(Gamma)) class GeneticMaterialOpt: def __init__(self, materials_db): self.db materials_db # list of (eps_r_func, mu_r_func) def fitness(self, individual): # individual: [thick1, mat_idx1, thick2, mat_idx2, thick3, mat_idx3] t1, m1, t2, m2, t3, m3 individual t1,t2,t3 t1*2, t2*2, t3*2 # decode 0-1 to 0.1-2mm eps1, mu1 self.db[int(m1*len(self.db))] tmm TransferMatrixMethod([2,20]) # compute reflection of stack return (tmm.reflection(eps1, mu1, t1*1e-3),) # minimize reflection def run(self): creator.create(FitnessMin, base.Fitness, weights(-1.0,)) creator.create(Individual, list, fitnesscreator.FitnessMin) toolbox base.Toolbox() toolbox.register(attr_thick, random.uniform, 0, 1) toolbox.register(attr_mat, random.uniform, 0, 1) toolbox.register(individual, tools.initCycle, creator.Individual, (toolbox.attr_thick, toolbox.attr_mat), n6) toolbox.register(pop, tools.initRepeat, list, toolbox.individual) toolbox.register(evaluate, self.fitness) toolbox.register(mate, tools.cxBlend, alpha0.5) toolbox.register(mutate, tools.mutGaussian, mu0, sigma0.1, indpb0.2) toolbox.register(select, tools.selTournament, tournsize3) pop toolbox.pop(n100) algorithms.eaSimple(pop, toolbox, cxpb0.7, mutpb0.2, ngen120, verboseFalse) best tools.selBest(pop,1)[0] return best if __name__ __main__: class MockMaterial: def __init__(self, eps, mu): self.eps eps self.mu mu db [MockMaterial(5-2j, 1.2-0.8j), MockMaterial(10-3j, 1.5-1.2j), MockMaterial(3-0.5j, 1-0.2j)] opt GeneticMaterialOpt(db) best opt.run() print(fBest individual thickness/material codes: {best}) tmm TransferMatrixMethod([2,20]) rl tmm.reflection(5-2j, 1.2-0.8j, 1.2e-3) print(fReflection loss at center freq: {rl[100]:.2f} dB)