Uncertainty Quantification of Electromagnetic Devices, Circuits, and Systems

کمی‌سازی عدم قطعیت دستگاه‌ها، مدارها و سیستم‌های الکترومغناطیسی پیشرفت‌هایی را که در دهه گذشته در مبحث کمی‌سازی عدم قطعیت (UQ) و تجزیه و تحلیل تصادفی انجام شده است، توصیف می‌کند. هدف اصلی این کتاب آموزش و اطلاع رسانی به مهندسین الکترونیک در مورد جدیدترین تکنیک های عددی، نظریه های ریاضی و روش های محاسباتی برای انجام UQ برای دستگاه ها، مدارها و سیستم های الکترومغناطیسی است.

< span> نکته مهم، این کتاب کاوش عمیقی از انفجار اخیر در تکنیک‌های مدل‌سازی جایگزین (متامدلینگ) برای UQ کارآمد عددی ارائه می‌کند. متامدلینگ در حال حاضر به جذاب‌ترین، کارآمدترین و محبوب‌ترین رویکرد برای UQ تبدیل شده است.

این کتاب با معرفی مفهوم کمی‌سازی عدم قطعیت در دستگاه‌های الکترومغناطیسی، مدار و شبیه‌سازی سیستم آغاز می‌شود. . فصل‌های بیشتر، تئوری و کاربردهای کمی‌سازی عدم قطعیت مبتنی بر آشوب چند جمله‌ای در مهندسی برق را پوشش می‌دهند. استراتژی های کاهش ابعاد برای رسیدگی به نفرین ابعاد در هرج و مرج چند جمله ای. یک الگوریتم پیش بینی- تصحیح کننده برای مدل سازی آماری مبتنی بر هرج و مرج چند جمله ای سریع اتصالات نانولوله های کربنی. رویکردهای یادگیری ماشین به سمت کمی سازی عدم قطعیت؛ بهینه سازی عملکرد مبتنی بر شبکه عصبی مصنوعی با عدم قطعیت در پارامترهای ساختاری EM. بررسی روش‌های خوشه‌بندی کاهش سفارش برای تعیین کمیت عدم قطعیت ساختارهای کامپوزیت الکترومغناطیسی. و عدم قطعیت معرفتی-توضیحی با استفاده از یک فرمول جدید آشوب چند جمله ای همراه با یادگیری ماشینی ترکیب شد. فصل آخر نکات پایانی را ارائه می‌کند و جهت‌های بالقوه آینده برای تحقیقات در این زمینه را بررسی می‌کند.

این کتاب منبع خوش‌آمدگویی برای دانشجویان و محققان پیشرفته در الکترومغناطیسی و مدل‌سازی ریاضی کاربردی خواهد بود. در حال کار بر روی طراحی مدار الکترونیکی و دستگاه هستند.

Uncertainty Quantification of Electromagnetic Devices, Circuits, and Systems describes the advances made over the last decade in the topic of uncertainty quantification (UQ) and stochastic analysis. The primary goal of the book is to educate and inform electronics engineers about the most recent numerical techniques, mathematical theories, and computational methods to perform UQ for electromagnetic devices, circuits, and systems.

Importantly, the book offers an in-depth exploration of the recent explosion in surrogate modelling (metamodeling) techniques for numerically efficient UQ. Metamodeling has currently become the most attractive, numerically efficient, and popular approach for UQ.

The book begins by introducing the concept of uncertainty quantification in electromagnetic device, circuit, and system simulation. Further chapters cover the theory and applications of polynomial chaos based uncertainty quantification in electrical engineering; dimension reduction strategies to address the curse of dimensionality in polynomial chaos; a predictor-corrector algorithm for fast polynomial chaos based statistical modeling of carbon nanotube interconnects; machine learning approaches towards uncertainty quantification; artificial neural network-based yield optimization with uncertainties in EM structural parameters; exploring order reduction clustering methods for uncertainty quantification of electromagnetic composite structures; and mixed epistemic-aleatory uncertainty using a new polynomial chaos formulation combined with machine learning. A final chapter provides concluding remarks and explores potential future directions for research in the field.

The book will be a welcome resource for advanced students and researchers in electromagnetics and applied mathematical modelling who are working on electronic circuit and device design.