Chapitre 1-Généralités sur la
synthèse des réseaux réflecteurs
1.4.2 Utilisation de modèles pour la synthèse
La modélisation de la cellule nécessite le
recours à des logiciels de simulation électromagnétiques
(par exemple HFSS ou CST). Toutefois, dans le cas où la cellule
présente de nombreux paramètres géométriques,
l'utilisation de ces outils peut s'avérer couteux en temps et en
ressources de calcul. La solution habituellement employée dans la
synthèse consiste à simuler la cellule pour quelques
géométries et à stocker la réponse obtenue dans une
base de données. Une alternative à la conception de bases de
données est l'utilisation de modèles comportementaux pour la
synthèse de RA. Ce paragraphe propose de classer quelques modèles
utilisés pour la caractérisation et pour la synthèse des
cellules unitaires.
1.4.2.1 Modèles basés sur les méthodes de
krigeage
Une méthode d'interpolation
généralisée consiste à utiliser le krigeage [21].
La méthode permet de modéliser de façon statistique un
ensemble de données connues. Plus précisément, comme les
algorithmes d'apprentissage par l'exemple, l'information est injectée
dans un processus d'entrainement où la relation Entrées (IN) /
Sorties (OUT) est connue afin de prédire la sortie de n'importe quel
autre jeu d'entrées. De plus le krigeage semble adapté au
processus déterministe. Un exemple en [22] propose de modéliser
la matrice de réflexion de la cellule de RA de type anneau
métallique rectangulaire. Les résultats sont encourageants
puisque l'erreur de prédiction sur le paramètre de phase du
coefficient de réflexion reste faible. Les avantages sont multiples : la
base de données, nécessaire à l'entrainement, n'a pas
besoin d'être aussi fournie que pour une synthèse classique, et
surtout le temps d'accès aux sorties du système non
linéaire est presque immédiat. Il en résulte que la
sélection des cellules pour la synthèse peut être
établie sans avoir recours à de nombreuses simulations
rigoureuses. La méthode de krigeage reste cependant difficile à
mettre en oeuvre et ne permet pas de modéliser précisément
l'amplitude des paramètres de la matrice de réflexion. Or les
pertes associées aux cellules sont importantes dans le processus de
synthèse.
1.4.2.2 Modèles basés sur les réseaux de
neurones artificiels (ANN)
Les réseaux de neurones artificiels (ANN pour
Artificial Neural Network en anglais) sont utilisés dans de
nombreux problèmes complexes non-linéaires. A partir d'un
ensemble d'échantillons issus de systèmes non-linéaires,
les réseaux de neurones artificiels sont capables d'approximer le
comportement de n'importe quel autre échantillon. Depuis peu, les
réseaux de neurones artificiels commencent à être
utilisés dans la synthèse des réseaux réflecteurs.
[23] présente les résultats obtenus sur la méthode de
caractérisation par ANN d'une cellule de type croix de malte (deux
paramètres géométriques). En effet, cet outil est
particulièrement adapté du fait que les cellules
déphaseuses ont un comportement non-linéaire en fonction de leurs
paramètres géométriques. Les réseaux de neurones
artificiels sont généralement utilisés de la
manière illustrée sur la Figure 1. 19.
Une base de données d'apprentissage est tout
d'abord générée à l'aide de logiciels de simulation
électromagnétique. Cette dernière comprend alors les
matrices de réflexion des cellules déphaseuses pour
différentes géométries, fréquences et angles
d'incidences. Après une phase d'apprentissage sur cette base de
données, le réseau de neurone artificiel sera capable
d'interpoler la réponse des autres cellules déphaseuses se
trouvant dans la gamme d'échantillon initiale formant ainsi une base de
données étendue.
| 
