Machine learning-aided design of additively manufactured ridge gap waveguide components

Nakmouche, Mohammed Farouk (2025). Machine learning-aided design of additively manufactured ridge gap waveguide components. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (17MB) | Prévisualisation

Résumé

The rapid evolution of next-generation wireless systems poses significant challenges for the design of compact, high-performance passive components and massive-MIMO antenna arrays. Conventional workflows for ridge gap waveguide (RGW) and printed ridge gap waveguide (PRGW) unit cells rely on iterative full-wave EM simulations and parametric studies to locate stop-band frequencies, resulting in prohibitive computational cost, long turn-around times, and limited generalizability of analytical dispersion formulas. Meanwhile, advances in computational electromagnetics (CEM) including MoM, FEM, and FDTD solvers have eased model fidelity but not the excessive memory and processing demands required to refine designs by hand.

Motivated by the success of machine learning (ML) in other fields and the growing volume of AI-based EM research, this thesis develops a fully automated, fabrication-aware synthesis framework for RGW/PRGW unit cells that leverages supervised learning to replace manual trial-and-error.

A high-fidelity dataset covering 3–300 GHz and accounting for geometric variations related to additive manufacturing and dielectric materials was generated via automated EM simulations. Genetic programming (GP) and artificial neural networks (ANN) were then implemented, benchmarked, and optimized to learn both forward (geometry → performance) and inverse (performance → geometry) mappings with near-full-wave accuracy and drastically reduced run-times (minutes vs. hours/days).

Key contributions include:
- The first end-to-end ML-driven synthesis framework for metallic RGW/PRGW unit cells.
- A scalable, fabrication-aware EM dataset enabling data-driven modeling across 3–300 GHz.
- Systematic comparison of GP and ANN inverse-design approaches using MSE, MAE, MAPE, and timing metrics.
- Design, 3D-printing, and experimental validation of wideband, highly isolated, pattern-reconfigurable PRGW-based MIMO antennas, including an origami-inspired 8 × 8 array with multi-permittivity dielectric resonators.

The results demonstrate that ML-aided synthesis can overcome brute-force EM iteration, offering a scalable path toward compact, cost-effective System-on-Package modules for future mm-wave communications. The thesis concludes with a discussion of limitations and outlines promising directions for reinforcement learning, advanced data generation, and inverse modeling in EM structure design.

Titre traduit

Approche de synthèse dirigée par apprentissage automatique pour la conception de composants passifs et d’antennes basés sur un guide d’ondes à rainure de crête fabriqué par fabrication additive

Résumé traduit

La rapide évolution des systèmes sans fil de nouvelle génération engendre des défis majeurs pour la conception de composants passifs compacts à hautes performances et d’antennes massives MIMO. Les processus de conception classiques des cellules unitaires de guide d’ondes à rainure (RGW) et de guide d’ondes à rainure imprimé (PRGW) reposent sur des simulations électromagnétiques (EM) pleine onde et des études paramétriques itératives pour déterminer les fréquences de bande d’arrêt, ce qui se traduit par des coûts de calcul prohibitifs, des délais d’exécution très longs et une généralisabilité limitée des formules de dispersion analytiques. Parallèlement, les progrès en électromagnétique computationnelle (CEM), notamment les résolveurs MoM, FEM et FDTD, ont amélioré la fidélité des modèles sans pour autant diminuer les besoins en mémoire et en puissance de calcul nécessaires à l’affinage manuel des conceptions.

Motivée par le succès de l’apprentissage automatique (ML) dans d’autres domaines et par l’essor des recherches EM basées sur l’intelligence artificielle, cette thèse propose un cadre de synthèse entièrement automatisé et conscient des contraintes de fabrication pour les cellules unitaires RGW/PRGW, exploitant l’apprentissage supervisé pour remplacer le travail itératif manuel.

Un jeu de données EM de haute fidélité couvrant de 3 à 300 GHz et intégrant les variations géométriques liées à la fabrication additive et aux matériaux diélectriques a été généré par des simulations automatisées. Des approches de programmation génétique (GP) et de réseaux de neurones artificiels (ANN) ont ensuite été implémentées, comparées et optimisées pour apprendre à la fois le passage direct (geometry → performance) et le passage inverse (performance → geometry) avec une précision proche de celle des méthodes pleine onde et des temps d’exécution drastiquement réduits (minutes contre heures/jours).

Les contributions clés sont :
- Le premier cadre de synthèse complet piloté par ML pour les cellules unitaires métalliques RGW/PRGW.
- Un jeu de données EM évolutif et conscient des contraintes de fabrication couvrant 3–300 GHz.
- Une comparaison systématique des méthodes GP et ANN en conception inverse, évaluées selon les métriques MSE, MAE, MAPE et les temps de calcul.
- La conception, l’impression 3D et la validation expérimentale d’antennes MIMO PRGW à large bande, forte isolation et reconfigurables en diagramme de rayonnement, y compris un réseau origami 8 × 8 avec résonateurs diélectriques multipermittivité.

Les résultats montrent que la synthèse assistée par ML peut suppléer aux itérations EM traditionnelles, ouvrant une voie évolutive vers des modules System-on-Package compacts et économiques pour les communications mm-wave. La thèse se conclut par une discussion des limitations et propose des pistes prometteuses pour le renforcement de l’apprentissage, la génération avancée de données et la modélisation inverse en conception EM.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 121-140).
Mots-clés libres:	guide d’ondes à rainure imprimé, guide d’ondes à rainure, apprentissage automatique, programmation génétique, apprentissage profond, entrées multiples, sorties multiples (MIMO) and fabrication additive (FA)
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Gagnon, Ghyslain
Codirecteur:	Codirecteur Deslandes, Dominic
Programme:	Doctorat en génie > Génie
Date de dépôt:	24 sept. 2025 18:00
Dernière modification:	24 sept. 2025 18:00
URI:	https://espace.etsmtl.ca/id/eprint/3724

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt