Aplicação Inteligência Computacional - Segundo - 2018

!
"
# $
! "# # $% &$ '( )
& ( )
* ' +) $ ,- '
* . /0 1 '($ ,-
23 1 1 ,- ! * .
/0 1 4 / 1 '$ 1 ,5 )6 1 ' (
) &$ ) ) ( 7 ,- 8 $/
$ ' 9 1 )#
:' ' * ! ;;<

/
=$ . ;><?
Universidade Federal do Rio Grande do Norte - UFRN
Sistema de Bibliotecas - SISBI
Catalogação de Publicação na Fonte. UFRN - Biblioteca Central Zila Mamede
Silva Segundo, Francisco Carlos Gurgel da.

Aplicação de inteligência computacional em projetos de
superfície seletiva em frequência multibanda e/ou banda larga
para aplicações comerciais / Francisco Carlos Gurgel da Silva
Segundo. - 2018.
142 f.: il.
Tese (doutorado) - Universidade Federal do Rio Grande do

Norte, Centro de Tecnologia, Programa de Pós-graduação em
Engenharia Elétrica e de Computação. Natal, RN, 2018.
Orientador: Prof. Dr. Antonio Luiz Pereira de Siqueira
Campos.
1. Superfície Seletiva em Frequência Multibanda - Tese. 2.

Superfície Seletiva em Frequência Banda larga - Tese. 3.
Geometria convolucionada - Tese. 4. Radiofrequência - Tese. 5.
Rede neural artificial - Tese. 6. Filtro de frequência - Tese.
7. Inteligência computacional - Tese. I. Campos, Antonio Luiz
Pereira de Siqueira. II. Título.
RN/UF/BCZM CDU 621.018.4
Elaborado por Kalline Bezerra da Silva - CRB-15/327

Agradecimentos
A Deus pai todo poderoso, por sempre estar ao meu lado.
Aos meus pais Francisco Sales da Silva Júnior e Geralda Reis Nunes Batista por
tudo.
A minha esposa Patrícia Rafaela pelo amor, carinho e dedicação.
Aos meus filhos João Miguel Sabino Gurgel (in memoriam) e Samuel Sabino
Gurgel que em tão pouco tempo me deram várias lições de vida.
Ao meu irmão, Francisco Sales da Silva Terceiro, pela amizade e motivação.
Ao meu orientador e amigo Antonio Luiz Pereira de Siqueira Campos pela

paciência, sabedoria e crença no meu potencial.
A todos que fazem parte das famílias Nunes, em nome de Severino Batista (in
memoriam)/Antonia Nunes (in memoriam) e Gurgel, no nome de Francisco Sales da
Silva/Francisca Gurgel Brito da Silva, pela atenção e carinho.
Aos professores Allan de Medeiros Martins e Gutembergue Soares da Silva pelas

observações e sugestões de melhorias na qualificação deste trabalho.
A todos os professores que fazem o PPgEEC pelas experiências e conhecimentos

transmitidos.
Aos meus colegas da UFERSA e UFRN por toda motivação e ajuda no

desenvolvimento deste trabalho e na vida pessoal.
Resumo
As superfícies seletivas em frequência (Frequency Selective Surface - FSS) consistem de

um arranjo periódico de elementos que possuem a capacidade de filtragem de ondas
eletromagnéticas. Nos últimos tempos, estas estruturas possuem papel de destaque na área
de telecomunicações em virtude da sua variedade de aplicações. Dentre as aplicações,
atualmente busca-se por FSS com características de banda ultra larga (ultrawideband -
UWB) e multibanda. Essas características são desejadas devido o desenvolvimento de
tecnologias com capacidade de transmissão cada vez mais elevadas e redes de
telecomunicações operam em várias bandas de frequência reduzindo os custos
operacionais e de implantação do sistema. Para encontrar FSS com tais características,
pode-se fazer uso de técnicas de inteligência computacional com a finalidade de obter
estruturas ótimas. Dentre as técnicas, tem-se as redes neurais artificiais do tipo RBF, a
qual será utilizada como ferramenta com objetivo de obter FSS otimizadas com respostas
multibanda e/ou banda larga. Neste trabalho, utilizou-se três geometrias largamente
utilizada em relatos científicos e uma inédita na literatura para desenvolvimento de quatro
projetos de FSS, sendo: projeto de FSS para banda X que fez uso da geometria espira
quadrada; FSS com resposta UWB que fez uso de estruturas cascateadas de espira
quadrada dupla e espira quadrada; FSS com operação nas bandas C e Ku que a geometria
utilizada foi a cruz de Jerusalém e, por último, foi desenvolvido o projeto de FSS com
geometria convolucionada inédita para aplicação nas faixas ISM e UNII. Em todos os
projetos, foi realizado estudo de estabilidade angular e de polarização e, protótipos foram
confeccionados e em todos os casos, houve concordância entre os resultados simulados
no Ansoft DesignerTM e os resultados medidos.
Palavras-Chave: Banda ultra larga; Filtro de frequência; Geometria

convolucionada; Radiofrequência; Rede neural artificial.
Abstract
Frequency Selective Surface (FSS) consists of a periodic elements arrangement that have
the capacity to filter electromagnetic waves. In recent times, these structures have a
prominent role in telecommunications area due to its variety of applications. Among the
applications, currently searching for FSS with ultra-wideband (UWB) and multiband
characteristics. These characteristics are desired due to the development of technologies
with increasing transmission capacity and telecommunications networks operate in
several frequency bands reducing the operational and system deployment costs. In order
to find FSS with such characteristics, one can make use of computational intelligence
techniques in order to obtain optimal structures. Among the techniques, we have artificial
neural networks of the RBF type, which will be used as a tool to obtain optimized FSS
with multi band and /or broadband responses. In this work, three geometries were used
widely in scientific reports and an unpublished one in the literature for the development
of four FSS projects, being: FSS project for band X that made use of the geometric square
spiral; FSS with UWB response that made use of cascaded double-square loop and
square-loop structures; FSS with operation in the bands C and Ku that the geometry used
was the cross of Jerusalem and, finally, was developed the FSS project with convoluted
geometry unprecedented for application in the bands ISM and UNII. In all projects,
angular stability and polarization studies were carried out, and prototypes were made and
in all cases, there was agreement between the results simulated in Ansoft DesignerTM and
the results measured.
Keywords: Ultra-wide band; Frequency filter; Convoluted geometry; Radio
frequency; Artificial neural network.
Sumário
Lista de Figuras ............................................................................................................. iii

Lista de Tabelas ........................................................................................................... viii
1. Capítulo 1 – Introdução .......................................................................................... 1
2. Capítulo 2 - Superfície Seletiva em Frequência.................................................... 4
2.1. Introdução .......................................................................................................... 4
2.2. Tipos de elementos ............................................................................................ 5
2.3. Forma dos elementos ......................................................................................... 7
2.4. Técnicas de análise .......................................................................................... 11
2.5. Setup de medição ............................................................................................. 12
2.6. Aplicações de FSS em estruturas multibanda e/ou banda larga ...................... 13
2.6.1. Superfícies seletivas em frequência banda larga ...................................... 14
2.6.2. Superfície seletiva em frequência multibanda .......................................... 26
2.7. Conclusão......................................................................................................... 31
3. Capítulo 3 – Inteligência Computacional ............................................................ 33
3.1. Introdução ........................................................................................................ 33
3.2. Fundamentos de redes neurais artificiais (RNA) ............................................. 34
3.2.1. Rede MLP ................................................................................................. 37
3.2.2. Rede RBF ................................................................................................. 43
3.3. Revisão de literatura sobre aplicações de técnicas computacionais em síntese
e/ou análise de FSS ..................................................................................................... 47
3.4. Conclusão......................................................................................................... 59
4. Capítulo 4 – Descrição das geometrias de superfícies seletivas em frequência e
modelagem da rede neural ........................................................................................... 60
4.1. Introdução ........................................................................................................ 60
4.2. Espira Quadrada ............................................................................................... 61
4.3. Espira quadrada dupla ...................................................................................... 62
4.4. Cruz de Jerusalém ............................................................................................ 63
i
4.5. Geometria convolucionada .............................................................................. 64
4.6. Criação dos bancos de dados das geometrias .................................................. 67
4.7. Modelagem da rede neural RBF ...................................................................... 68
4.8. Conclusão......................................................................................................... 70
5. Capítulo 5 – Resultados ........................................................................................ 72
5.1. Introdução ........................................................................................................ 72
5.2. Resultados dos treinamentos das redes neurais ............................................... 72
5.2.1. Projeto de FSS para banda X .................................................................... 73
5.2.2. Superfície seletiva de frequência com resposta UWB.............................. 77
5.2.3. FSS com operação nas bandas C e Ku ..................................................... 85
5.2.4. Projeto de FSS com Geometria Convolucionada para aplicações nas faixas
ISM e UNII.............................................................................................................. 90
5.2.4.1. Análise comportamental das dimensões da geometria convolucionada ... 95
5.8. Conclusão............................................................................................................. 98
6. Capítulo 6 – Conclusão ......................................................................................... 99
Referências Bibliográficas ......................................................................................... 101
Apêndice A – Algoritmos MLP e RBF ..................................................................... 108
Apêndice B – Banco de Dados ................................................................................... 111
ii
Lista de Figuras
Figura 2.1 – Superfície seletiva em frequência do tipo patch condutor ........................... 4

Figura 2.2 - Tipos de Filtros. a) Abertura (passa-faixa) b) Patch condutor (rejeita-faixa)
.......................................................................................................................................... 6
Figura 2.3 - Forma dos Elementos mais comuns ............................................................. 7
Figura 2.4 - Grupo 1 ......................................................................................................... 7
Figura 2.5 - Grupo 2 ......................................................................................................... 8
Figura 2.6 - Grupo 3 ......................................................................................................... 8
Figura 2.7 - Grupo 4 ......................................................................................................... 8
Figura 2.8 – Fractal de Kock. Extraído de [22] ................................................................ 9
Figura 2.9 – Elemento Fractal Espiral. Extraído de [23] .................................................. 9
Figura 2.10 - FSS multifractal. a) Curva de Kock nível 1 com Tapete de Sierpinski nível
1 e b) Curva de Kock nível 1 com Tapete de Sierpinski nível 2. Extraído de [24] ........ 10
Figura 2.11 - Medição das características de transmissão e reflexão da FSS ................ 13
Figura 2.12 - Refletor de FSS com uma antena UWB. Adaptado de [35] ..................... 14
Figura 2.13 - Ganho teórico e medido da antena UWB com e sem refletor. Adaptado de
[35] ................................................................................................................................. 15
Figura 2.14 - Três camadas de FSS. Extraído de [36] .................................................... 15
Figura 2.15 - Característica de transmissão polarização vertical. Adaptado de [36] ..... 16
Figura 2.16 - Característica de transmissão polarização horizontal. Adaptado de [36] . 16
Figura 2.17 - Fractal poeira de Cantor modificada nível 2. Extraído de [38] ................ 17
Figura 2.18 - Característica de transmissão para polarização vertical. Adaptado de [38]
........................................................................................................................................ 18
Figura 2.19 - Característica de transmissão para polarização horizontal. Adaptado de
[38] ................................................................................................................................. 18
Figura 2.20 - Estrutura proposta em [39] ....................................................................... 19
Figura 2.21 - Resultados obtidos para polarização vertical. Adaptado de [39] .............. 19
iii
Figura 2.22 – Resultados obtidos para polarização horizontal. Adaptado de [39] ......... 20
Figura 2.23 - Disposição dos elementos utilizados em [40] ........................................... 20
Figura 2.24 - Resultados da reflectividade. Adaptado de [40] ....................................... 21
Figura 2.25 - Projeto apresentado em [41] ..................................................................... 22
Figura 2.26 - Radome no modo de transmissão. Adaptado de [41] ............................... 23
Figura 2.27 - Radome no modo de recepção. Adaptado de [41] .................................... 23
Figura 2.28 – Característica de reflexão das estruturas absorvedoras. Extraído de [42] 24
Figura 2.29 - Polarização vertical e horizontal entre os absorvedores originais e
fabricado. Extraído de [42] ............................................................................................. 25
Figura 2.30 - Elemento da FSS utilizado em [43] .......................................................... 26
Figura 2.31 – Resultados simulados e medidos da FSS. Extraído de [43] ..................... 27
Figura 2.32 – Resultados da HIS com espiras quadradas concêntricas. Extraído de [44]
........................................................................................................................................ 28
Figura 2.33 - Características de transmissão simulado e medido. Adaptado de [45] ..... 28
Figura 2.34 - Estabilidade angular para polarização vertical. Adaptado de [46] ........... 29
Figura 2.35 - Estabilidade angular para polarização horizontal. Adaptado de [46] ....... 30
Figura 2.36 – Resposta do absorvedor metamaterial. Extraído de [48] ......................... 31
Figura 3.1 - Representação de um neurônio na RNA ..................................................... 35
Figura 3.2 - Funções de Ativação ................................................................................... 36
Figura 3.3 - Organização em camadas............................................................................ 36
Figura 3.4 - Modelo de rede neural MLP. Adaptado de [55] ......................................... 37
Figura 3.5 - Descrição do algoritmo de treinamento Backpropagation ......................... 38
Figura 3.6 - Exemplo de RNA treinada com o algoritmo backpropagation. Adaptado de
[58] ................................................................................................................................. 39
Figura 3.7 - Rede RBF.................................................................................................... 44
Figura 3.8 - Função do tipo gaussiana ............................................................................ 45
Figura 3.9 - Algoritmo RBF – Treinamento ................................................................... 46
Figura 3.10 - Geometria utilizada em [62] ..................................................................... 48
Figura 3.11 – Estrutura 1: Resultados simulados e medidos da perda por inserção em
função da frequência. Adaptado de [62] ......................................................................... 48
Figura 3.12 - Estrutura 2: Resultados simulados e medidos da perda por inserção em
função da frequência. Adaptado de [62] ......................................................................... 49
Figura 3.13 - Resultados simulados e medidos das estruturas cascateadas. Adaptado de
[62] ................................................................................................................................. 50
iv
Figura 3.14 - Geometrias utilizadas e suas dimensões. Extraído de [63] ....................... 50
Figura 3.15 - Comparativo entre os resultados projetados e medidos. Adaptado de [63]
........................................................................................................................................ 51
........................................................................................................................................ 52
Figura 3.17 - Geometria projetada em [64] .................................................................... 52
Figura 3.18 - Resultados simulados e medidos. Adaptado de [64] ................................ 53
Figura 3.19 - Geometria utilizada em [65] ..................................................................... 54
Figura 3.20 - Característica de transmissão para FSS projetada em 11 GHz. Adaptado de
[65] ................................................................................................................................. 54
Figura 3.21 - Característica de transmissão para FSS projetada em 9 GHz. Adaptado de
[65] ................................................................................................................................. 55
Figura 3.22 - Coeficiente de trasmissão pré-fractal de Vicsek. Adaptado de [66] ......... 56
Figura 3.23 - Resultados apresentados em [67] .............................................................. 57
Figura 3.24 – Característica de transmissão da FSS. Adaptado de [68] ......................... 58
Figura 3.25 - Convergência dos algoritmos de busca [68] ............................................. 58
Figura 4.1 - Parâmetros da Espira Quadrada .................................................................. 61
Figura 4.2 - Parâmetros da geometria Espira Quadrada Dupla ...................................... 62
Figura 4.3 - Parâmetros da geometria Cruz de Jerusalém .............................................. 63
Figura 4.4 - Geometria convolucionada ......................................................................... 65
Figura 4.5 - Sequência da inserção dos braços ............................................................... 65
Figura 4.6 - Resposta em frequência das FSS apresentas nas figuras 4.1 e 4.2 ............. 66
Figura 4.7 - Geometria da FSS utilizada para o banco de dados .................................... 67
Figura 4.8 - Layout do programa "AnaliseFSS" desenvolvido ...................................... 68
Figura 4.9 - Exemplo do programa "TreinamentoRBFSS" ............................................ 69
Figura 4.10 - Rede RBF utilizada ................................................................................... 70
Figura 5.1 - Desempenho da RNA para FSS com geometria espira quadrada ............... 73
Figura 5.2 - Dimensões da geometria quadrada a partir do resultado da RNA .............. 74
Figura 5.3 - Resposta em frequência simulada da FSS espira quadrada para polarização
vertical ............................................................................................................................ 75
Figura 5.4 - Medição da FSS espira quadrada para polarização vertical ....................... 75
Figura 5.5 - Resposta em frequência simulada da FSS espira quadrada para polarização
horizontal ........................................................................................................................ 76
Figura 5.6 - Medição da FSS espira quadrada para polarização horizontal ................... 77
v
Figura 5.7 - FSS cascateadas .......................................................................................... 78
Figura 5.8 - Desempenho da RNA para FSS com geometria Espira Quadrada Dupla .. 78
Figura 5.9 - Dimensões das geometrias a partir dos resultados das RNA. a) Espira
quadrada dupla; b) Espira quadrada ............................................................................... 79
Figura 5.10 - Resposta em frequência das FSS separadamente ..................................... 80
Figura 5.11 - Resposta em frequência simulada das FSS em cascata para polarização
vertical. ........................................................................................................................... 81
Figura 5.12 - Resultados medidos para FSS cascateadas com polarização vertical. ...... 82
Figura 5.13 - Resposta em frequência simulada das FSS cascateadas para polarização
horizontal. ....................................................................................................................... 83
Figura 5.14 - Resultados medidos para FSS cascateadas com polarização horizontal... 84
Figura 5.15 - Desempenho da RNA para FSS com geometria Cruz de Jerusalém ........ 85
Figura 5.16 - Dimensões da geometria cruz de Jerusalém a partir dos resultados das
RNA ................................................................................................................................ 86
Figura 5.17 - Resposta em frequência da FSS geometria cruz de Jerusalém para
polarização vertical. ........................................................................................................ 86
Figura 5.18 - Resultados medidos para FSS projetada para polarização vertical........... 87
Figura 5.19 - Resposta em frequência da FSS geometria cruz de Jerusalém para
polarização horizontal..................................................................................................... 88
Figura 5.20 - Resultados medidos para FSS projetada para polarização horizontal ...... 89
Figura 5.21 – Desempenho da RNA para FSS com geometria Convolucionada ........... 90
Figura 5.22 - Dimensões da geometria convolucionada a partir dos resultados das RNA
........................................................................................................................................ 91
Figura 5.23 – Resposta em frequência da FSS com geometria convolucionada para
polarização vertical ......................................................................................................... 91
Figura 5.24 - Resultados medidos da FSS com geometria convolucionada para
polarização vertical ......................................................................................................... 92
Figura 5.25 - Resposta em frequência da FSS com geometria convolucionada para
Figura 5.26 - Resultados medidos da FSS com geometria convolucionada para
Figura 5.27 - Comportamento de l1 e w2 com relação a variação de fr1 ......................... 96
Figura 5.28 - Comportamento de l1 e w2 com relação a variação de fr2 ......................... 96
Figura 5.29 - Comportamento de l1 e w2 com relação a variação de BW1 ..................... 97
vi
Figura 5.30 - Comportamento de l1 e w2 com relação a variação de BW2 ...................... 98
Figura A.0.1 - Algoritmo de treinamento. Adaptado de [58] ....................................... 108
Figura A.0.2 - Algoritmo de operação. Adaptado de [58] ............................................ 109
Figura A.0.3 - Algoritmo de treinamento não-supervisionado. Adaptado de [58] ....... 109
Figura A.0.4 - Algoritmo de treinamento supervisionado. Adaptado de [58] .............. 110
Figura A.0.5 - Fase de operação. Adaptado de [58] ..................................................... 110
vii
Lista de Tabelas
Tabela 4.1 - Variação dos parâmetros - Espira Quadrada .............................................. 62

Tabela 4.2 - Variação dos parâmetros - Espira Quadrada Dupla ................................... 63
Tabela 4.3 - Variação dos parâmetros - Cruz de Jerusalém .......................................... 64
Tabela 4.4 - Variação dos parâmetros - Convolucionada ............................................... 67
Tabela 5.1 - Estabilidade angular da FSS espira quadrada - Polarização vertical.......... 76
Tabela 5.2 - Estabilidade angular da FSS espira quadrada - Polarização horizontal .... 77
Tabela 5.3 - Valores de frequência de ressonância e largura de banda das FSS ............ 81
Tabela 5.4 - Estabilidade angular- FSS cascateadas - Polarização vertical.................... 82
Tabela 5.5 - Estabilidade angular - FSS cascateadas - Polarização horizontal ............. 84
Tabela 5.6 - Estabilidade angular da FSS cruz de Jerusalém - Polarização vertical ...... 87
Tabela 5.7 - Estabilidade angular da FSS cruz de Jerusalém - Polarização horizontal .. 89
Tabela 5.8 - Estabilidade angular da FSS convolucionada - Polarização vertical ......... 93
Tabela 5.9 - Estabilidade angular da FSS convolucionada - Polarização horizontal ..... 94
viii
1
1. Capítulo 1 – Introdução
Os avanços tecnológicos ocorridos nos últimos anos aliados a busca dos usuários
por dispositivos cada vez mais multifuncionais, de baixo peso, custo reduzido e que
detenham tecnologias que satisfaçam suas necessidades propiciou uma atenção especial
às superfícies seletivas em frequência (Frequency Selective Surfaces – FSS).
As FSS são filtros de ondas eletromagnéticas formados basicamente por um

arranjo periódico de elementos tipo patch condutor ou abertura, como também, a
combinação dos mesmos, depositados sobre uma camada dielétrica [1]. Dependendo do
tipo de elemento, as FSS podem obter características de filtros passa-baixa, passa-alta,
rejeita-faixa e passa-faixa e podem operar em uma ou mais bandas de frequências.
Quando essas estruturas possuem mais de uma frequência de ressonância, são chamadas
de FSS multibanda.
A utilização de FSS com característica multibanda tem recebido atenção especial

dos pesquisadores em virtude da necessidade de antenas e filtros multifuncionais para
comunicação e detecção. Dessa forma, reduz-se os custos operacionais e de implantação
do sistema. Estas possuem algumas aplicações entre as quais pode-se destacar os
bloqueadores de rede sem fio [2], RFID chipless [3], antenas inteligentes [4], refletores
cassegrin [5].
Apesar das vantagens das FSS, a utilização de certas geometrias no projeto de FSS
pode tornar a sua análise bastante complexa ao utilizar métodos eletromagnéticos
encontrados na literatura, tais como: Método dos Momentos (MoM) [6], Elementos
Finitos [7], Circuito Equivalente [8], etc. Dessa forma, uma das alternativas encontradas
para contornar essa problemática é fazer uso das redes neurais artificiais (RNA) para
projeto de FSS com as especificações desejadas.
CAPÍTULO 1 – INTRODUÇÃO 2
Uma rede neural artificial, segundo [9], é um processador paralelamente

distribuído de unidades de processamento simples que tem a propensão natural para
armazenar conhecimento experimental e torná-lo disponível para o uso.
Essas redes estão sendo bastante utilizadas em diversas áreas do conhecimento

seja para otimização, predição, classificação de padrões etc. A utilização dessas redes
abrange diversas áreas do conhecimento, tais como: biologia [10], química [11], medicina
[12], economia [13], engenharia [14].
Desde o início dos anos 90, a rede neural tem sido utilizada como uma ferramenta
numérica flexível para a modelagem de dispositivos micro-ondas. Dentre as vantagens da
utilização da RNA pode-se citar a versatilidade, computação eficiente, redução da
ocupação de memória, estabilidade dos algoritmos de aprendizagem e generalização dos
dados representativos [15].
O propósito deste trabalho é utilizar a rede RBF (Radial Basis Function) como
uma ferramenta para síntese de FSS com a finalidade de otimizar suas geometrias. Serão
otimizadas três geometrias consagradas na literatura científica: espira quadrada, espira
quadrada dupla e cruz de Jerusalem. Além dessas, uma geometria convolucionada
desenvolvida neste trabalho.
O trabalho está estruturado da seguinte forma: no Capítulo 2, é apresentada uma

descrição sobre as superfícies seletivas em frequência abordando sobre os aspectos
históricos envolvendo as FSS, os parâmetros que afetam na resposta em frequência das
FSS, as técnicas de análises e o setup medição utilizado neste trabalho, como também um
levantamento bibliográfico voltado às aplicações comerciais.
No Capítulo 3, é realizada uma abordagem sobre as redes neurais com enfoque

nas redes MLP treinadas com o algoritmo backpropagation e a rede RBF utilizada para
desenvolver as otimizações deste trabalho. Neste Capítulo, será apresentado um
levantamento bibliográfico sobre a utilização de redes neurais na análise e/ou síntese de
FSS.
No Capítulo 4, será apresentada uma análise das geometrias escolhidas para

geração dos bancos de dados utilizados para o treinamento e validação das redes neurais.
Será realizado um modelamento das redes neurais treinadas.
CAPÍTULO 1 – INTRODUÇÃO 3
O Capítulo 5 apresenta os resultados do projeto das redes neurais visando a

otimização das geometrias de FSS com aplicação comercial. O capítulo 6 apresenta a
conclusão do trabalho e sugestões para sua continuação.
4
2.Capítulo 2 - Superfície Seletiva em

Frequência
2.1. Introdução
As superfícies seletivas em frequência são estruturas formadas por arranjos de

elementos periódicos tipo patch condutor ou abertura, e em alguns casos, pode-se utilizar
a combinação dos dois tipos de elementos com a finalidade de filtragem de ondas
eletromagnéticas [1]. Esses elementos são depositados sobre uma ou mais camadas
dielétricas. A Figura 2.1 apresenta uma ilustração básica de uma FSS e a representação
do seu funcionamento.
Figura 2.1 – Superfície seletiva em frequência do tipo patch condutor
As FSS possuem uma longa história de desenvolvimento que se iniciou a partir de

uma simples observação de Francis Hopkinson relatada ao físico David Rittenhouse.
Francis percebeu um fenômeno em que, após os estudos de Rittenhouse, se constituiu no
CAPÍTULO 2 – SUPERFÍCIE SELETIVA EM FREQUÊNCIA 5
desenvolvimento da grade de difração óptica [16]. Em meados dos anos 60, as superfícies
seletivas passaram a ter papel de destaque por causa do grande potencial nos setores
militares [17].
Atualmente, busca-se FSS que possuam múltiplas bandas de transmissão

independentes e largas respostas em frequência, como também, independência em
polarização e ângulo de incidência da onda eletromagnética. FSS com reposta em banda
larga são usadas em algumas aplicações como radomes, sistemas de radares, melhoria de
largura de banda de antenas, identificadores de RF, comunicações via satélite etc.
No projeto das FSS, alguns aspectos são de suma importância para determinar a
sua frequência de ressonância e a largura de banda de operação, tais como: tipo, forma,
dimensão e periodicidade dos elementos a serem utilizados, tipo de dielétrico e sua
espessura. Isso se deve ao fato destes parâmetros exercerem forte influência no
comprimento de onda de ressonância e, consequentemente, na frequência de operação e
largura de banda da FSS.
2.2. Tipos de elementos
As FSS com elementos do tipo abertura são conhecidas como FSS indutivas e são
utilizadas para fornecer características passa-faixa ou passa-alta. Na medida em que as
aberturas entram em ressonância com a frequência da onda incidente, a estrutura vai se
tornando “transparente” para essa onda incidente, até que ocorra a transmissão total da
onda.
As FSS com elementos do tipo patch condutor são conhecidas como FSS
capacitivas e possuem características rejeita-faixa ou passa-baixa, pois à medida que os
elementos patches entram em ressonância com a frequência da onda incidente, a estrutura
irradia potência incidente na direção de reflexão, dessa forma, quando a estrutura entra
totalmente em ressonância, a superfície se comporta como um condutor perfeito
refletindo totalmente a onda incidente [17]. A Figura 2.2 apresenta as FSS passa-faixa e
rejeita-faixa de acordo com o tipo abertura e patch condutor e a resposta em frequência.
A representação em cinza é o dielétrico e o preto é a parte metálica da estrutura.
(a)
(b)
Figura 2.2 - Tipos de Filtros. a) Abertura (passa-faixa) b) Patch condutor (rejeita-faixa)
As FSS ainda podem ser divididas em dois tipos: anteparo fino ou anteparo
espesso, dependendo da espessura do elemento. A FSS de anteparo fino são geralmente
utilizadas em elementos do tipo circuito impresso, sendo patch condutor ou abertura. As
FSS possuem esta característica quando a espessura da camada metalizada é inferior a
0,001!0, em que !0 é o comprimento de onda para frequência a qual o anteparo irá ressoar.
Essas FSS são bastante utilizadas devido algumas vantagens como pequeno volume, leve
e baixo custo em relação às FSS anteparo espesso.
Já as FSS anteparo espesso possuem uma camada metalizada mais espessa, sendo
bastante utilizada em filtros passa-faixa. Sua fabricação é mais cara e requer maior
precisão na construção. A vantagem deste tipo de FSS é que a razão da frequência
transmitida para a frequência refletida (ft/fr), ou banda de separação, pode ser reduzida
para 1,15; o que é adequado para antenas de satélite com comunicações multifrequenciais
[18].
2.3. Forma dos elementos
Algumas formas de elementos são tradicionais e bastante utilizadas em relatos

científicos, como: Patch Retangular, Patch Circular, Cruz de Jerusalém, Dipolo Cruzado,
Espira Quadrada, Espira Quadrada Dupla etc. Estas formas podem ser visualizadas na
Figura 2.3.
Figura 2.3 - Forma dos Elementos mais comuns
De acordo com [19], os elementos das FSS podem ser divididos em quatro grupos.
O Grupo 1, representado na Figura 2.4, corresponde aos n-polos conectados pelo centro.
As formas mais comuns são: Dipolo Fino, Cruz de Jerusalém, Dipolo Cruzado e o
Tripolo.
Figura 2.4 - Grupo 1
O Grupo 2 é representado pelos elementos do tipo espira. As formas mais comuns

são: espiras quadradas, quadradas duplas, quadradas com grades e anéis circulares
concêntricos. A Figura 2.5 ilustra a forma desses elementos.
O Grupo 3 é formado pelos elementos do tipo sólido. Os mais comuns são: os

patches retangulares, hexagonais e circulares. Esse grupo é representado na Figura 2.6.
Por último, o Grupo 4 é formado por elementos que surgiram a partir de uma
modificação ou combinação dos elementos típicos. A Figura 2.7 exemplifica dois
elementos combinados. O primeiro é o resultado da combinação da espira quadrada com
dipolo cruzado e o segundo é formado a partir do agrupamento entre o patch circular e o
dipolo cruzado.
Ao longo do tempo, foram surgindo novas formas de elementos. Entre estas,

podem-se destacar os elementos fractais. O fractal é uma forma geométrica fragmentada
cuja complexidade se eleva com o aumento das repetições de padrões pré-definidos, de
acordo com a geometria utilizada. Essa forma pode ser subdividida em partes, na qual
cada parte menor do objeto ou processo fractal se assemelha ao todo, ou seja, possui uma
relação de auto similaridade ou auto semelhança [19].
O fractal é gerado através de fórmulas matemáticas, muitas vezes simples, que

quando aplicadas de forma iterativa, produzem formas geométricas abstratas, com
padrões complexos, que se repetem infinitamente [19].
Segundo Reed em [20], o projeto de uma FSS com elementos fractais é uma
solução bastante competitiva, uma vez que as características inerentes à geometria fractal
permitem o desenvolvimento de filtros espaciais compactos e com desempenho superior
em relação a estruturas convencionais. Na engenharia de micro-ondas, o interesse nas
geometrias fractais está na possibilidade de ajuste dos parâmetros eletromagnéticos dos
dispositivos de RF/micro-ondas, tais como, frequência de ressonância e largura de banda
[21]. Nas Figuras 2.8 e 2.9 podem-se observar alguns elementos fractais utilizados em
relatos científicos [22], [23].
Figura 2.8 – Fractal de Kock. Extraído de [22]
Figura 2.9 – Elemento Fractal Espiral. Extraído de [23]

Além dos elementos fractais, já se tem relatos científicos utilizando elementos

multifractais que consiste na combinação de dois ou mais fractais. Essas estruturas
otimizam o projeto de estruturas multibanda já que permitem a construção com diferentes
proporções de frequências de ressonâncias [24]. Na Figura 2.10, são apresentadas duas
geometrias multifractais.
Figura 2.10 - FSS multifractal. a) Curva de Kock nível 1 com Tapete de Sierpinski nível 1 e b) Curva de Kock
nível 1 com Tapete de Sierpinski nível 2. Extraído de [24]
A forma do elemento utilizado em uma FSS influencia fortemente em parâmetros

de operação da mesma, como frequência de ressonância e largura de banda de operação.
O elemento ressoará quando suas dimensões forem múltiplas do comprimento de onda
para geometria patch condutor e meio comprimento de onda para geometria tipo abertura
incidente sobre a mesma. Dessa forma, o fenômeno resultante do espalhamento
proveniente de cada elemento do arranjo é caracterizado como uma reflexão. Esse
fenômeno se mantém para determinadas geometrias mesmo quando o ângulo de
incidência não é normal ao plano formado pelo arranjo periódico, uma vez que o atraso
observado entre a corrente de superfície induzida, em relação aos elementos vizinhos, faz
com que a direção dos campos irradiados mantenha o comportamento de reflexão. Para
os demais comprimentos de onda incidentes sobre a estrutura, a superfície seletiva em
frequência se comporta como objeto transparente, podendo infligir pequenas atenuações
provenientes da permissividade do substrato, sobre o qual os elementos são depositados
e a resistividade do material condutor utilizado [18].
2.4. Técnicas de análise
Na literatura, é fácil encontrar métodos de análise dedicados à caracterização de

estruturas planares sobre substratos dielétricos utilizando elementos tipo patch condutor
e abertura. Essas técnicas podem ser divididas em métodos quase-TEM que são
classificados como métodos aproximados e os métodos de onda completa.
Para os métodos aproximados, o mais conhecido e utilizado é o método do circuito

equivalente (MCE). Esta técnica é bastante difundida no meio científico, devido ao uso
de uma aproximação quase-estática para calcular os componentes do circuito e permite
uma rápida resposta computacional. Nesta análise, os vários segmentos de fita condutora
que formam os elementos em um arranjo periódico são modelados como componentes
indutivos ou capacitivos em uma linha de transmissão. Da solução deste circuito, são
encontradas as características de transmissão e reflexão da FSS. Nas frequências de
micro-ondas e ondas milimétricas pode ser necessário analisar a estrutura através de uma
técnica mais rigorosa [25]. Em [26], um novo método de circuito equivalente utilizando
decomposição modal é proposto e usado na análise de FSS multicamadas.
Nos métodos de onda completa, há técnicas para análise de uma FSS entre elas, o
método da expansão modal, que permite uma análise rigorosa, fornecendo, dessa forma,
resultados precisos e detalhados das estruturas estudadas [27]. Quando este método é
utilizado em combinação com o Método dos Momentos (MoM), são obtidos resultados
rigorosos.
Outro método que se destaca atualmente é a técnica das diferenças finitas no

domínio do tempo (FDTD). Segundo [28],[29], esta técnica possibilita a análise de
qualquer tipo de elemento, bem como a análise de perdas dielétricas e/ou magnéticas e a
análise de estruturas não homogêneas. Apesar de sua simplicidade, na época que foi
proposto, não havia recursos computacionais para a simulação de problemas complexos
e isso foi crucial para o retardo dos estudos do método. Além disso, pelo fato do FDTD
ser um método que utiliza um algoritmo baseado em equações diferenciais parciais
(EDP), ele não requer uma abordagem através de funções de Green, permitindo o estudo
da onda em todo o seu espectro de frequências e em ambientes complexos. Para
simulações nas quais a região modelada estende-se ao infinito, utilizam-se condições de
contorno, tais como planos condutores (magnéticos ou elétricos) perfeitos, como a
camada perfeitamente casada (Perfect Matched Layer – PML) proposta por Berenger,
para limitar o domínio computacional [30].
O Método iterativo das ondas (Wave Concept Interative Procedure – WCIP) trata-
se de outro método usado na análise de FSS que apresenta uma redução no esforço
computacional, comparado com outros métodos de onda completa, e boa flexibilidade
quanto à forma da estrutura planar. Este método é baseado no conceito de ondas
eletromagnéticas e no princípio da reflexão e transmissão de ondas em uma interface [31],
[32].
Em conjunto com esses métodos, podem ser utilizadas técnicas de inteligência

computacional, como algoritmos genéticos ou redes neurais, para análise e/ou síntese de
FSS [33], [34].
2.5. Setup de medição
Vários setups podem ser utilizados para medição das propriedades de transmissão
e reflexão de uma FSS. Dentre estes, uma técnica muito precisa é ilustrada na Figura 2.11.
A medição é realizada utilizando um analisador de redes e antenas de ganho padrão como
antena transmissora e receptora. É possível medir as características de transmissão com
polarização vertical e polarização horizontal da FSS em teste posicionado no suporte de
estruturas entre as duas antenas cornetas, através da alteração da polarização das antenas
de vertical para horizontal. Os absorvedores no suporte reduzem as difrações nas bordas
da mesma [29].
Figura 2.11 - Medição das características de transmissão e reflexão da FSS
Neste trabalho, será utilizado o setup visto na Figura 2.11 para medição das
características de transmissão das FSS projetadas. Foi utilizado o analisador vetorial de
redes modelo E5071C da fabricante Agilent e duas antenas corneta da fabricante A. H.
Systems, modelo SAS-571 com frequência de operação de 700 MHz a 18 GHz.
Na próxima seção, será apresentado um levantamento bibliográfico sobre

aplicações de FSS em estruturas multibanda e/ou banda larga levando em consideração
algumas geometrias que possuem estabilidade angular e de polarização, pois FSS com
esse tipo de característica está sendo bastante investigado no meio científico.
2.6. Aplicações de FSS em estruturas multibanda e/ou banda larga
As superfícies seletivas em frequência (FSS) estão cada vez mais em evidência

devido possuir alguns requisitos tais como: peso reduzido, baixo custo, características
multibanda e/ou banda larga. Esses requisitos são de grande importância para melhoria
de tecnologias presentes dentre as quais se podem destacar o Bluetooth, WLAN etc.
Dentre as inúmeras aplicações de FSS, a seguir serão abordadas algumas encontradas nos
relatos científicos.
2.6.1. Superfícies seletivas em frequência banda larga
Para a obtenção de características multibanda e/ou banda larga, na literatura há

alguns métodos utilizados, dentre as quais se podem destacar o uso de elementos com
geometria fractal, cascateamento (empilhamento) de superfícies seletivas de frequência e
elementos convolucionados.
Em [35], Ranga et al apresenta um conjunto de quatro superfícies seletivas em

frequência empilhadas que servem como refletor para uma antena com banda ultra larga
a fim de obter um ganho constante. A disposição da antena e superfícies seletivas em
frequência é vista na Figura 2.12.
Figura 2.12 - Refletor de FSS com uma antena UWB. Adaptado de [35]
Cada FSS possui um papel fundamental a fim de refletir certas frequências. A FSS
1, possui a característica de refletir as frequências mais altas; a FSS 4, as frequências mais
baixas e as FSS 2 e 3, as frequências intermediárias.
A partir da Figura 2.13, pode-se perceber que o uso das FSS como refletor fez
com que o ganho da antena obtivesse uma variação de apenas ± 0,5 dB além do aumento
do ganho que passou a ter uma média de 9,3 dBi o qual anteriormente era de 4 dBi com
variações de 2 dB.
Figura 2.13 - Ganho teórico e medido da antena UWB com e sem refletor. Adaptado de [35]
Silva Segundo, Campos e Gomes Neto, em [36], fizeram uso de FSS cascateadas
para obter característica UWB. Foi realizado o empilhamento de três FSS, uma FSS com
patch retangular, outra com patch retangular e a inserção de uma fenda e na última FSS,
foram inseridas duas fendas no patch. A Figura 2.14 apresenta a disposição das FSS.
Figura 2.14 - Três camadas de FSS. Extraído de [36]
As FSS são separadas por um gap de ar com 10 mm de distância. A FSS 1 consiste

na geometria retangular com uma fenda, a FSS 2 é o patch retangular e a FSS 3 é a
geometria retangular com duas fendas. As Figuras 2.15 e 2.16, apresentam as
características de transmissão simuladas e medidas para as polarizações verticais e
horizontais.
Figura 2.15 - Característica de transmissão polarização vertical. Adaptado de [36]
Figura 2.16 - Característica de transmissão polarização horizontal. Adaptado de [36]
A partir do valor de 10 dB de atenuação, pode-se perceber que a estrutura entra

em ressonância em 4,05 GHz para a polarização vertical e 5,05 GHz para a polarização
horizontal, o que mostra que essas estruturas podem ser utilizadas para aplicações em
UWB, já que as mesmas estão entre 3,1 e 10,6 GHz, que é o intervalo que compreende a
tecnologia UWB.
Sanz-Izquierdo, Robertson e Parker, em [37], apresentam uma FSS a partir de

elementos convolucionados para filtrar sinais em aplicações indoor. Esta técnica
possibilita filtragem de frequência em uma banda larga como também redução do
tamanho do elemento. Sabe-se que atualmente com o aumento no número de dispositivos
utilizando tecnologias como GSM, 3G, Wi-Fi leva a uma significante interferência
reduzindo a capacidade de transmissão do sistema. Em alguns casos, essa interferência
pode ser crucial para o desenvolvimento de algumas atividades. Por isso, cresce o
interesse em soluções que permitem a gestão desses sinais nos edifícios. Uma das
soluções é a incorporação de FSS nas paredes, portas e janelas.
Atualmente, as pesquisas têm se voltado para projetos de FSS que atenda a alguns
requisitos tais como, estabilidade angular e de polarização. Silva Segundo, Campos e
Braz, em [38], propõem uma modificação da geometria fractal poeira de cantor para
projetar uma FSS com estabilidade angular e de polarização para operação em aplicações
UWB. Na Figura 2.17, é apresentada a geometria utilizada no projeto da FSS.
Figura 2.17 - Fractal poeira de Cantor modificada nível 2. Extraído de [38]
As Figuras 2.18 e 2.19 apresentam as características de transmissão para as

polarizações verticais e horizontais com a variação do ângulo de incidência a partir da
incidência normal até uma inclinação de 30º em relação a incidência normal na FSS.
Figura 2.18 - Característica de transmissão para polarização vertical. Adaptado de [38]
Na Figura 2.18, é visível que, para polarização vertical, houve uma pequena
degradação na largura de banda, mas nada que afete o seu funcionamento em UWB. Para
polarização horizontal, há um relativo aumento na largura de banda conforme apresentado
na Figura 2.19.
Figura 2.19 - Característica de transmissão para polarização horizontal. Adaptado de [38]

Estes resultados foram validados a partir de medições o que atestou que essa FSS
pode ser utilizada em aplicações UWB operando com uma largura de banda larga.
Já Lu, Yan e She em [39], apresentam uma FSS cascateada conforme apresentada
na Figura 2.20. A FSS apresentada possui a vantagem de possuir uma grande largura de
banda e a sua banda passante com poucas flutuações e apresenta respostas estáveis para
vários ângulos de incidência (aproximadamente de 0º a 68º).
Figura 2.20 - Estrutura proposta em [39]
A partir dos resultados e conforme enfatizado no relato científico, esta FSS pode
ser aplicada na redução do Radar Cross Section (RCS) de antenas. Nas Figuras 2.21 e
2.22, podem-se visualizar os resultados para o estudo de incidência angular e polarização.
Figura 2.21 - Resultados obtidos para polarização vertical. Adaptado de [39]

Figura 2.22 – Resultados obtidos para polarização horizontal. Adaptado de [39]
Em [40], Kong et al, relatam o projeto de uma superfície seletiva em frequência

ativa a qual funciona como absorvedor e refletor para aplicações banda larga. No trabalho,
a FSS é projetada para aplicações em sistemas denominados Smart Stealth System (SSS).
A geometria utilizada na FSS consiste de dois anéis nos quais são conectados resistências,
indutâncias e diodo PIN, Figura 2.23.
Figura 2.23 - Disposição dos elementos utilizados em [40]
Os autores utilizam algoritmo genético para encontrar os parâmetros de resistência

e dimensões dos anéis. Já os indutores são utilizados para polarização do diodo PIN e
realizar isolação de ressonâncias vizinhas. A Figura 2.24 apresenta os resultados medidos

para os diodos OFF (0 V) e ON (5 V).
Figura 2.24 - Resultados da reflectividade. Adaptado de [40]
A utilização de FSS em radomes é alvo de vastas pesquisas na área. Radome é

uma cobertura inserida a frente da antena que protege o elemento radiador das intempéries
do meio (ex: chuva, vento, raios ultravioleta). O radome deve ser transparente as ondas
eletromagnéticas de interesse da antena protegida sem degradar o desempenho da mesma.
O radome também pode ser crucial na redução do RCS. Costa e Monorchio, em [41],
apresentam um projeto de um radome que absorve e transmite conforme apresentado na
Figura 2.25.
Figura 2.25 - Projeto apresentado em [41]
A estrutura é composta de uma FSS resistiva a fim de realizar a função de

absorvedor, um dielétrico e uma FSS passa-banda. No relato, a análise é feita por meio
do circuito equivalente e dos softwares HFSS e CST. As Figuras 2.26 e 2.27 apresentam
os resultados para o radome no modo de transmissão e recepção, respectivamente.
Figura 2.26 - Radome no modo de transmissão. Adaptado de [41]
Percebe-se pela Figura 2.27 que a reflexão difere do modo de transmissão em

virtude da presença do absorvedor.
Figura 2.27 - Radome no modo de recepção. Adaptado de [41]
Fallahi et al em [42] realizaram um procedimento para projeto de um absorvedor

de radar de banda larga. Os absorvedores de radar são estruturas que cobrem uma fonte e
minimizam a reflexão de ondas eletromagnéticas e tem atraído a atenção de vários

pesquisadores em virtude de seus atributos, dentre os quais pode-se citar a redução do
RCS de um objeto, blindagem circuitos eletrônicos e equipamentos de interferência
eletromagnética e proteção dos seres vivos da radiação eletromagnética.
No trabalho científico, Fallahi et al utilizam o método dos momentos em conjunto

com o método da linha de transmissão para obter as características do absorvedor. E
utiliza o procedimento de otimização em busca de estruturas com melhor desempenho em
termos de largura de banda na operação como também, estabilidade angular. A
otimização foi realizada com diferentes estruturas absorvedoras. A Figura 2.28 apresenta
os resultados para a estrutura proposta com elementos perfurados, o absorvedor original
sem modificação e a medição realizada com o absorvedor fabricado.
Figura 2.28 – Característica de reflexão das estruturas absorvedoras. Extraído de [42]
Na Figura 2.29, são apresentadas as características a respeito do grau de incidência

da onda eletromagnética para as polarizações vertical e horizontal.
Figura 2.29 - Polarização vertical e horizontal entre os absorvedores originais e fabricado. Extraído de [42]
2.6.2. Superfície seletiva em frequência multibanda
A FSS multibanda é caracterizada pelas múltiplas bandas de passagem e/ou

bandas rejeitadas no intervalo de frequência ao qual são utilizadas. Nas páginas seguintes,
serão descritas algumas aplicações de superfície seletiva em frequência com característica
multibanda.
Chatterjee et al em [43] apresentam uma estrutura de FSS com característica

multibanda que pode ser utilizada em diversas aplicações tais como Wi-Fi, WiMAX,
RADAR. A superfície seletiva é apresentada na Figura 2.30.
Figura 2.30 - Elemento da FSS utilizado em [43]
Na Figura 2.31, são apresentados os resultados teóricos e experimentais da

superfície seletiva em frequência. A estrutura proposta tem um grande número de
aplicações em diferentes campos. A primeira banda com uma frequência de ressonância
de 5,1 GHz pode ser usada para IEEE 802.11a, Wi-Fi, ISM, UNII, WiMAX, FWA etc. A
segunda banda com 7 GHz é aplicável no domínio da RADAR. A quinta faixa com 17,89
GHz como a frequência de ressonância pode ser aplicada em sensores de micro-ondas
passivos, em que, pela NASA a banda de 17,7-17,9 GHz está atribuída como banda
passiva para uso em sensores de micro-ondas.
Figura 2.31 – Resultados simulados e medidos da FSS. Extraído de [43]
Em [44], os autores propuseram um absorvedor metamaterial multi-ressonante

baseado em superfície de alta impedância (High Impedance Surface - HIS) a ser
empregado como transponder para identificação por rádio frequência (RFID – Radio
Frequency IDentification).
As HIS compreendem uma superfície seletiva em frequência composta por células

unitárias de espiras quadradas concêntricas, as quais cada espira compreende um pico
ressonante. Portanto, os autores propõem um identificador de RF sem chip o qual está
sendo objeto de estudo em várias pesquisas atualmente. A Figura 2.32 apresenta os
resultados para diferentes espiras.
Figura 2.32 – Resultados da HIS com espiras quadradas concêntricas. Extraído de [44]
Em [45], Braz e Campos propõem o uso do multifractal de Cantor como elemento

para projetar FSS multibanda que pode ser aplicada na bandas C, que corresponde as
frequências de 4 a 6 GHz e na banda X de 8 a 12 GHz. A Figura 2.33 apresenta os
resultados obtidos no trabalho.
Figura 2.33 - Características de transmissão simulado e medido. Adaptado de [45]

Os multifractais possuem a flexibilidade no controle da ressonância e na largura

de banda. Em Braz e Campos [46], foi proposto o uso de multifractais a partir da junção
da curva de Kock com o carpete de Sierpinski e realizado o estudo de estabilidade de
polarização e incidência da onda eletromagnética. A estrutura proposta possui aplicações
em banda S e banda X, conforme apresentado na Figura 2.34 e 2.35.
Figura 2.34 - Estabilidade angular para polarização vertical. Adaptado de [46]
A Figura 2.34 apresenta a geometria utilizada na superfície seletiva em frequência

e mostra que a estrutura apresenta estabilidade angular para as aplicações desejadas. E
esta apresenta estabilidade angular para vários ângulos de incidência.
Figura 2.35 - Estabilidade angular para polarização horizontal. Adaptado de [46]
Já na Figura 2.35, pode-se atestar que o dispositivo não se mostra estável para
ângulo de incidência acima de 15º e que esta estrutura pode ser aplicada em sistemas com
alta diretividade para ambas as polarizações e sistemas com baixa diretividade com
polarização vertical.
Além do uso nas frequências de micro-ondas, as FSS estão sendo estudadas na

faixa do infravermelho, ou seja, na faixa THz do espectro. Nesta faixa, há aplicações
interessantes, como imagens, detecção e comunicação. Portanto, requer estudos, pois
surgem algumas adversidades que nos estudos da faixa de micro-ondas não são tão
relevantes como a perda ôhmica [47].
Yeo, Nahar e Sertel apresentam em [48] um absorvedor metamaterial com

característica multibanda e/ou banda larga. Foi realizado um projeto de um absorvedor
para frequência acima do infravermelho utilizando uma FSS com geometria dipolo
cruzado com inserção de um elemento parasita, conforme Figura 2.36.
Figura 2.36 – Resposta do absorvedor metamaterial. Extraído de [48]
A estrutura apresentada pode ser utilizada para aplicações de sensoriamento e

apresentou estabilidade angular para ambas as polarizações vertical e horizontal com
ângulo de incidência de 0 a 60º.
2.7.Conclusão
Neste Capítulo foi apresentada uma introdução sobre as superfícies seletivas em

frequência abordando alguns fatores que devem ser levados em consideração no momento
de projeto de FSS, tais como: tipo de FSS (abertura ou patch condutor), forma do
elemento utilizado, tipo de substrato, periodicidade do elemento etc.
As principais técnicas de análises teóricas de FSS foram abordadas, como: FDTD,

WCIP, MoM. Estes métodos são bastante importantes, pois analisam as características de
transmissão e reflexão das FSS sem a necessidade de construção e medição das estruturas
deixando apenas para o final do projeto quando se tem as características desejadas a partir
da análise teórica. O método numérico utilizado neste trabalho é o método dos momentos
que é utilizado pelo software Ansoft DesignerTM para caracterização das FSS. Neste
Capítulo, também foi apresentado o setup utilizado neste trabalho para a medição dos
protótipos construídos. Os resultados apresentados nesta tese mostram que esta
configuração de medição apresenta resultados bastante fidedignos e possuem ótima

concordância entre a caracterização numérica e os resultados medidos.
Foram apresentadas várias aplicações de superfícies seletivas de frequência com

característica multibanda e/ou banda larga e diversas geometrias. Foram apresentadas
novas geometrias recém estudadas em FSS, tais como geometrias multifractais as quais
são bastante úteis devido a sua liberdade no ajuste de largura de banda e ressonância.
Diversas aplicações que vão desde refletor, melhoria nas características de

radiação de antenas a identificadores de RF sem chip foram apresentadas além do uso de
FSS na faixa do infravermelho e além infravermelho.
33
3. Capítulo 3 – Inteligência Computacional
3.1. Introdução
Nos últimos anos, os algoritmos computacionais estão sendo bastante utilizados

em virtude de sua facilidade na solução de problemas de difícil solução por meio de
ferramentas específicas. Diversas áreas do conhecimento se valem dessas técnicas para
solução dos seus problemas. Na área de telecomunicações não poderia ser diferente e
diversos trabalhos que fazem uso alguma meta-heurística aplicado a FSS mostram-se
bons resultados para otimização dessas estruturas. A inteligência computacional tem o
objetivo de desenvolver, avaliar e aplicar técnicas na criação de sistemas inteligentes.
Estes sistemas imitam aspectos dos seres vivos como o aprendizado, percepção,
raciocínio, evolução e adaptação. As técnicas abrangem as redes neurais, algoritmos
genéticos, lógica clássica, lógica Fuzzy, sistemas especialistas e inteligência de enxames
[49].
A inteligência computacional (IC) é uma área de pesquisa relativamente nova. O

seu nascimento é datado de 1956 em uma conferência de verão em Dartmouth College,
NH, USA. A proposta foi realizada por John McCarthy, Marvin Minsky, Nathaniel
Rochester e Claude Shannon. Kruse et al em [49], afirmam que a inteligência
computacional consiste de conceitos, paradigmas, algoritmos e implementações de
sistemas que em teoria exibem comportamentos inteligentes em ambientes complexos.
Ou seja, na IC, um conjunto de algoritmos computacionais inspirados na natureza

são utilizados para resolver problemas complexos com mais facilidade. Dentre as
metodologias utilizadas na inteligência computacional, pode-se destacar: as Redes
Neurais Artificiais (RNA) [50], Lógica Fuzzy [51], Métodos Bayesianos [52], Máquinas
CAPÍTULO 3 – INTELIGÊNCIA COMPUTACIONAL 34
de Vetor de Suporte (Support Vector Machine - SVM) [53], Algoritmos Genéticos (AG)
[53].
Nos dias atuais, os algoritmos computacionais estão sendo bastante utilizados na

análise das FSS em virtude de obter bons resultados, facilidade em realizar a otimização
dessas estruturas e otimizar o tempo. A seguir, será apresentado o funcionamento das
redes neurais artificiais, como também, será realizado um levantamento bibliográfico a
partir da utilização de técnicas de inteligência computacional para análise e projeto de
FSS.
3.2. Fundamentos de redes neurais artificiais (RNA)
As redes neurais artificiais tem sido alvo de estudos pelo reconhecimento de que
o cérebro humano processa informações de uma forma inteiramente diferente do
computador digital convencional.
Segundo [9], o cérebro é um sistema de processamento de informações altamente

complexo, não-linear e paralelo os quais são organizados por neurônios de forma a
realizar certos processamentos, tais como: reconhecimento de padrões, percepção e
controle motor muito rápido. Portanto, uma rede neural é um processador maciçamente
paralelamente distribuído de unidades de processamento simples que tem a propensão
natural para armazenar conhecimento experimental e torná-lo disponível para o uso. Ele
se assemelha ao cérebro em dois aspectos, sendo o primeiro, o conhecimento adquirido
pela rede a partir de seu ambiente através de um processo de aprendizagem e o segundo
vem das forças de conexão entre neurônios, conhecidas como pesos sinápticos que são
utilizadas para armazenar o conhecimento adquirido.
Uma RNA é composta por várias unidades de processamento, cujo funcionamento

é bastante simples. Essas unidades são conectadas por canais de comunicação que estão
associadas a determinado peso. As unidades fazem operações apenas sobre seus dados
locais, que são entradas recebidas pelas suas conexões. O comportamento inteligente de
uma rede neural artificial vem das interações entre as unidades de processamento da rede.
O primeiro modelo neural surgiu com McCulloch e Pitts em 1943 [50]. Neste trabalho,
eles descreveram um cálculo lógico das redes neurais que unificava os estudos da
neurofisiologia e da lógica matemática. A Figura 3.1 apresenta o modelo do neurônio

proposto e apresenta o seu funcionamento.
Figura 3.1 - Representação de um neurônio na RNA
O neurônio é dividido em duas partes denominadas função de rede e função de

ativação. A função de rede é responsável pela determinação das entradas da rede X1, X2
... Xn as quais são combinadas dentro do neurônio por meio de uma combinação linear de
pesos (Wj,1, Wj,2 ... Wj,n) formando a saída u. Essa saída se dá da seguinte forma:
= !" &" + '

"$%
O • é chamado de bias e utiliza-o para determinar o limiar de atuação do modelo.

A saída y do neurônio está relacionada com u através de uma transformação linear ou
não-linear denominada de função de ativação. Dentre estas funções, pode-se destacar a
sigmoide, gaussiana, hard-limiter e rampa.
Figura 3.2 - Funções de Ativação
As arquiteturas neurais são tipicamente organizadas em camadas, com unidades

que podem estar conectadas às unidades da camada posterior. Essas camadas são
classificadas em camada de entrada, camada de saída e camada intermediária, caso haja.
A Figura 3.3 apresenta um exemplo dessa arquitetura.
Figura 3.3 - Organização em camadas
Na Figura 3.3, pode-se perceber que a arquitetura possui uma camada de entrada
com dois neurônios, duas camadas intermediárias com quatro neurônios cada e uma
camada de saída com um neurônio. Na camada de entrada, os padrões são apresentados à
rede. A camada intermediária é o local em que se realiza a maior parte do processamento

através de conexões ponderadas e a camada de saída é onde o resultado final é concluído
e apresentado. Essa rede apresentada na Figura 3.3 é um exemplo de uma rede
feedforward, ou seja, é chamada de rede sem memória ou não recorrente, já que não
possui realimentação de suas saídas para as entradas. Dentre as redes não recorrentes,
pode-se destacar as redes MLP (Multilayer Perceptron) e RBF (Radial Basis Function).
A seguir, serão apresentadas as redes MLP e RBF, bem como os algoritmos de

treinamento utilizado neste trabalho.
3.2.1. Rede MLP
A rede perceptron de múltiplas camadas, do inglês multilayer perceptrons – MLP

consiste em um modelo sem realimentação formado por camadas de neurônios
perceptron. Conforme apresentado o modelo do perceptron, cada neurônio na rede MLP
possui uma função de ativação não-linear continuamente diferenciável. Na Figura 3.4
pode-se visualizar uma rede MLP utilizada para o projeto de uma antena de microfita,
conforme apresentado em [55].
Figura 3.4 - Modelo de rede neural MLP. Adaptado de [55]
Essas redes são compostas por uma camada de entrada, as quais não possuem
pesos ajustáveis; camadas ocultas, pode ser um ou mais camadas; e uma camada de saída.
O sinal na entrada, se propaga para frente até chegar a camada de saída. O treinamento
dessa rede é realizado de forma supervisionada e o algoritmo mais famoso é o
backpropagation. A partir deste, vários outros foram desenvolvidos, tais como o resilient
backpropagation (RPROP), Quickprop e o Maquardt-Levenberg. A seguir, será

apresentado o algoritmo de treinamento de retropropagação do erro, backpropagation.
O algoritmo backpropagation foi introduzido originalmente na década de 70, mas

foi em 1986 por meio de um famoso artigo de David Rumelhart, Geoffrey Hinton e
Ronald Williams [56] que o algoritmo se tornou um dos principais algoritmos de
aprendizagem em redes neurais.
O backpropagation consiste em um algoritmo de treinamento supervisionado em

que a rede aprende padrões a partir da figura de um “professor” em que os pesos em todas
as camadas são corrigidos partindo da saída até a entrada da rede [57]. Este algoritmo
implementa a regra delta generalizada. O processo de treinamento da rede pode ser
dividido em duas fases: fase forward (passo para frente) e a fase backward (passo para
trás). Na fase forward, conforme representado na Figura 3.5, dados (conjuntos de
treinamento) são apresentados à camada de entrada e esses são processados adiante até
chegar à camada de saída. Na camada de saída, esses resultados são comparados com os
valores desejados e calculado o erro entre o valor calculado e o mesmo desejado. A partir
do erro, entra-se na fase backward em que os valores dos pesos sinápticos são ajustados
com o objetivo de minimizar o erro entre o valor calculado e o valor desejado.
Figura 3.5 - Descrição do algoritmo de treinamento Backpropagation
Este algoritmo funciona de forma iterativa até que a resposta de saída da rede seja
similar a resposta desejada apresentada pelo padrão de entrada da rede. A Figura 3.6
apresenta um exemplo de uma RNA MLP treinada com o algoritmo backpropagation.
Figura 3.6 - Exemplo de RNA treinada com o algoritmo backpropagation. Adaptado de [58]
Conforme [58], para entender o algoritmo, faz-se necessário apresentar alguns

parâmetros e variáveis auxiliares. Essas variáveis são descritas conforme exemplo de
RNA apresentado na Figura 3.6.
Wij(1) é o peso sináptico conectado do j-ésimo neurônio da 1ª camada

escondida ao i-ésimo sinal da camada de entrada.
Wij(2) é o peso sináptico conectado do j-ésimo neurônio da camada de saída ao

i-ésimo sinal da 1ª camada escondida.
[X1, X2, ..., Xn] representa os padrões de entrada normalizados.
[1, 2, 3, ..., n2] e [1, ..., n3] representam os neurônios, os quais são representados
conforme Figura 3.6. Ij(L) são vetores cujos elementos denotam a entrada ponderada
em relação ao j-ésimo neurônio da camada L. Esses valores de I a partir do exemplo da
Figura 3.6, são definidos como:
%
(!) (!) (!) (!) (!) (!)
= " #$, . *$ + - = # ,' . *' / # ,! . *! / 0 / # ,% . *% (3.1)
$&'
%2
(1) (1) (!) (1) (1) (!) (1) (!) (1) (!)
- = " #$, . 3$ +- = # ,' . 3' / # ,! . 3! / 0 / # ,% . 3%2 (3.2)
$&'
E a saída de cada camada é calculada conforme fórmula abaixo. g(.) é a função

de ativação.
(!) (!)
3 = 4 5- 6 (3.3)
(1) (1)
3 = 4 5- 6 (3.4)
Ao final das respostas produzidas pela rede, é necessário medir o desvio entre as
respostas produzidas pelos neurônios em relação aos seus valores desejados. Assim, para
medir o desempenho produzido pelas amostras (dados utilizados para o treinamento),
utiliza-se a função erro quadrático.
%@
9 (1)
1
7(8) = " ;< (8) > 3 (8)?
: (3.5)
&!
Ou seja, cada amostra possui a sua resposta desejada e a sua resposta calculada
pela rede neural. Dessa forma, calcula-se o erro quadrático para cada amostra. Esse erro
é calculado apenas na camada de saída da rede neural. Além desse cálculo, pode-se
utilizar o erro médio quadrático, dado por:
C
9
7A = " 7(8)
B (3.6)
D&!
Ao final de cada época (quando todos os dados de treinamento são apresentados

à rede), pode-se calcular o erro médio quadrático (3.6) e este pode ser utilizado como
critério de parada para o treinamento da rede neural artificial [58]. O valor de p consiste
na quantidade de amostra apresentada à rede em uma época.
Conforme é de conhecimento, o treinamento da rede consiste em ajustar os

pesos sinápticos a fim de obter uma resposta com menor erro em relação à resposta
desejada. Quando a resposta na saída não condiz com a resposta desejada, é necessário
realizar o ajuste dos pesos. Esse ajuste é realizado a partir da camada de saída da rede
neural. Dessa forma, o ajuste dos pesos de saída Wji(2) é realizado da seguinte forma:
Utilizando a definição do gradiente e a regra de diferenciação em cadeia, o gradiente

do erro da 3ª camada é apresentado a seguir.
(1) (1)
G7 G7 G3 G-
(1)
F7 = (1)
= (1)
. (1)
. (1)
(3.6)
G# ,$ G3 G- G# ,$
Em que
G7 (1)
(1)
= > 5< > 3 6 (3.7)
G3
(1)
G3 (1)
(1)
= 4H 5- 6 (3.8)
G-
(1)
G- (!)
(1)
= 3$ (3.9)
G# ,$
Substituindo (3.7), (3.8) e (3.9) em (3.6), a expressão fica
G7 (1) (1) (!)

(1)
= > 5< > 3 6 . 4H 5- 6 . 3$ (3.10)
G# ,$
Da equação acima, g’(.) é a derivada da função de ativação de cada neurônio.
Com o resultado do gradiente, o ajuste dos pesos Wji(2) deve ser efetuado em direção
oposta ao gradiente a fim de minimizar o erro, portanto, o ajuste do peso fica:
F7
H# ,$ = >I. J H# ,$ = I. K . 3$
(1) (1) (1) (!)
F# ,$
(1) (3.11)
K = 5< > 3 6 . 4G 5- 6
(1) (1) (1)
(3.12)
Finalmente
# ,$ (L / 9) = # ,$ (L) / I. K . 3$
(1) (1) (1) (!)
(3.13)
Na sequência, é realizado o ajuste dos pesos sinápticos da 1ª camada escondida.

Esse processo é realizado a partir do erro entre a saída produzida pela rede em função
da retropropagação do erro advindo dos ajustes dos neurônios da camada de saída.
Assim, tem-se:
F3 F-
(!) (!)
F7 F7
"7 (!)
= = . .
F# ,$ F3 F- F# ,$
(!) (!) (!) (!)
(3.14)
&M &M
F7 F(ND'! #D, . 3 )
& (1) (!)
F7 F7 F-D
(1) M
=% . = % (1) .
F3 D'! F-D F3 D'! F-D F3
(!) (1) (!) (!)
(3.15)
&M
F7 F7
=% . #D,
(1)
F3 D'! F-D
(!) (1)
(3.16)
&M
F7
= > % KD . #D,
(1) (1)
F3
(!)
(3.17)
D'!
F3
(1)
= 4G 5- 6
(!)
F-
(1)
(3.18)
F-
(1)
= O$
F# ,$
(1)
(3.19)
Substituindo no gradiente do erro, fica:
&M
F7
= > P% KD . #D, Q . 4G 5- 6 . O$
(1) (1) (!)
F# ,$
(!)
(3.20)
D'!
Como o ajuste deve ser realizado na direção oposta,
F7
H# ,$ = >I. J H# ,$ = I. K . O$
(!) (!) (!)
F# ,$
(!) (3.21)
&M
K = P% KD . #D, Q . 4G 5- 6
(!) (1) (1) (!)
(3.22)
D'!
Então,
# ,$ (L / 9) = # ,$ (L) / I. K . O$
(!) (!) (!)
(3.23)
Dentre as características inerentes a uma rede MLP, pode-se citar o alto grau de
conectividade pelas conexões da rede; uma ou mais camadas ocultas, as quais não fazem
parte da camada de entrada nem da camada de saída; Em cada nó da rede, há uma função
de ativação que propaga o sinal para frente até a camada de saída. Este tipo de rede é
bastante utilizado como referência para comparação dos resultados obtidos com outras
técnicas.
3.2.2. Rede RBF
As redes de função de base radial, do inglês Radial Basis Function (RBF), são
compostas por uma camada intermediária, nas quais as funções de ativação são do tipo
gaussiana, diferentemente da rede perceptron de múltiplas camadas, em que pode-se
haver mais de uma camada oculta [58].
A rede RBF é uma arquitetura feedforward de camadas múltiplas. O processo

de ajuste dos pesos inicia-se na camada intermediária e depois ajusta-se os pesos
neurais da camada de saída [59]. Este tipo de treinamento diferencia-se da MLP treinada
com o backpropagation já que nesta rede, os pesos são ajustados primeiro na camada de
saída e depois segue para as camadas ocultas. A Figura 3.7 apresenta a rede RBF
utilizada neste trabalho, como uma ferramenta, para otimização das superfícies
seletivas de frequência.
Os valores de x1, x2, x3, ..., xn representam a camada de entrada o qual os valores
normalizados são apresentados à rede. Neste trabalho, os dados inseridos na camada de
entrada são os valores das frequências de ressonâncias e largura de banda normalizados
(x), ou seja, x = x/xmáx, xmáx são os valores máximos de cada parâmetro de entrada dentro
do banco de dados (Capítulo 4). Na camada de saída, a rede apresentará os valores das
dimensões da geometria e a espessura do dielétrico normalizados y. Então, o valor final
é y = y.ymáx.
Na fase de ajuste dos pesos, o treinamento pode ser dividido em duas fases. A
primeira que consiste no ajuste dos pesos da camada intermediária que ocorre de forma
não-supervisionada. Este ajuste depende das características dos dados de entrada está
diretamente relacionado com a alocação das funções de bases radiais.
Na segunda parte, na qual ocorre o ajuste dos pesos da camada de saída, os

pesos são ajustados conforme a regra delta generalizada apresentado na Seção 3.2.1.
Figura 3.7 - Rede RBF
Na rede RBF, a camada intermediária da rede é constituída de funções de

ativação do tipo base radiais tendo a função gaussiana como a mais empregada. A
função gaussiana é apresentada conforme Equação (3.24).
(%$&)'
!(") = #
$
*+' (3.24)
Em que c é o centro da função gaussiana e 2 é a sua variância, o qual indica o

quão disperso está o potencial de ativação u em relação ao seu centro c. Ou seja, quanto
maior sua variância, mais larga será a base. A Figura 3.8 ilustra a função gaussiana e suas
variáveis [58].
Figura 3.8 - Função do tipo gaussiana
No ajuste dos pesos da camada intermediária, o centro c está diretamente

associado aos seus próprios pesos, sendo que, nessa situação, a entrada un(1) de cada um
será o próprio vetor de entrada , que representa os vários sinais externos que são
aplicados à rede. A saída dos neurônios da camada intermediária é expressa por (3.25).
(/) 3
+0
12/(%
, -*. )
*
(!)
"#
(!)
$=
(!)
%) = '
(& 45 3 (3.25)
O principal objetivo dos neurônios da camada intermediária é posicionar os

centros de suas gaussianas da forma mais apropriada possível, ou seja, realizar a
clusterização [60]. Um dos métodos utilizados para esta finalidade é o k-means, o qual
será utilizado neste trabalho. No k-means, o alvo é posicionar os centros de k-
gaussianas em regiões onde os padrões de entrada tenderão a se agrupar. Os centros
são representados pelos pesos sinápticos da rede. A variância de cada uma das funções
de ativação gaussiana, neste trabalho, foi calculada pelo critério da distância quadrática
média [61].
O ajuste dos pesos dos neurônios da camada de saída deve ser realizado após a
etapa do ajuste da camada intermediária. Na camada de saída, a função de ativação
utilizada foi a sigmoide. O conjunto de treinamento, da forma supervisionada, será
constituído por pares de entrada e saída desejada. As entradas serão as respostas
produzidas pela camada intermediária (função de ativação gaussiana). Então, a saída
será conforme Equação 3.26.
: H
9 < G
y, = 6 (4) 7 9;<> G
9 +B-=<(A,- ;6(<) ) G
C (3.26)
9 < ? exp @' EG
;
CDC
8 F
Em que y, é a saída normalizada da rede; W (2) são os pesos sinápticos da

camada de saída e -1 é o valor do bias (- ). A partir dos valores de saída da rede, este
é comparado com o valor desejado e, calculado o erro. Neste trabalho, será utilizado o
erro médio quadrático conforme Equação 3.6. Caso não atinja a precisão requerida no
treinamento da rede, este faz o ajuste dos pesos W(2), conforme Figura 3.9.
A Figura 3.9 apresenta o fluxograma do algoritmo RBF para treinamento.A

aplicação do primeiro estágio de treinamento seguido do segundo, permite o ajuste de
todos os parâmetros livres da rede, que são: W (1), !2, W(2) da rede RBF.
Figura 3.9 - Algoritmo RBF – Treinamento
Segundo [58], vale ressaltar que o aumento indiscriminado dos neurônios nas
camadas intermediárias nas redes neurais, não garante a generalização apropriada às
amostras pertencentes ao subconjunto de validação. Isso pode acarretar memorização

excessiva (overfitting) acontecendo que na etapa de treinamento o erro médio quadrático
fica baixo, mas na fase da validação do treinamento, o erro médio quadrático fica elevado.
Já a pouca quantidade de neurônios na rede pode ocasionar uma debilidade neural
chamada de (underfitting) não havendo extração e armazenamento de características
suficientes que permitam à rede implementar hipóteses a respeito da configuração do
processo.
Na seção seguinte, será apresentado um levantamento bibliográfico de relatos

científicos que utilizaram a inteligência computacional para análise e projeto de FSS.
3.3. Revisão de literatura sobre aplicações de técnicas computacionais em

síntese e/ou análise de FSS
Nesta seção, serão apresentados relatos científicos que utilizam inteligência

computacional com foco na análise e/ou projetos de FSS.
Em [62], o autor utiliza um processo de otimização em antenas UWB e em

superfície seletiva em frequência utilizando algoritmos genéticos e Particle Swarm
Optimization (PSO).
Como o AG foi apresentado acima, neste espaço, será tratado apenas do outro tipo
de otimização utilizado em [62] que é a baseada em inteligência de enxames. Neste tipo,
comportamentos emergentes surgem da coletividade de indivíduos que interagem entre
si e com o ambiente. Um exemplo desta otimização é a PSO que é inspirada na coreografia
de pássaros e cardumes. Nesta técnica, o sistema é inicializado com uma população de
soluções aleatórias, geradas de acordo com as restrições de cada projeto e a cada iteração,
procura-se por ótimos atualizando gerações. De acordo com [62], pode-se citar algumas
vantagens, como a simplificação dos cálculos comparados com outras técnicas como o
algoritmo genético.
Com relação a superfície seletiva em frequência em [62], foi realizado a

otimização da largura de banda através da dimensão do gap de ar entre duas FSS dipolo
cruzado por meio do algoritmo PSO e AG. Inicialmente, por meio do algoritmo genético,
encontram-se os valores ótimos através da variação das dimensões do dipolo das duas
FSS para operarem em uma frequência de ressonância em 9,5 GHz e 10,5 GHz. Na
estrutura 1 que possui frequência de ressonância em 9,5 GHz, os valores otimizados pelo
AG são W = 1,35 mm e L = 9,87 mm. Já a estrutura 2 que possui a frequência de
ressonância em 10,5 GHz, o valor de W é 1,77 mm e L = 9,1 mm. A periodicidade de
ambos é de 13 mm. A Figura 3.10 apresenta a geometria utilizada e discrimina o W que
é a largura da fita e L o comprimento do dipolo.
Figura 3.10 - Geometria utilizada em [62]
As Figuras 3.11 e 3.12 apresentam os resultados simulados e medidos para as

estruturas 1 e 2, respectivamente.
Figura 3.11 – Estrutura 1: Resultados simulados e medidos da perda por inserção em função da frequência.
Adaptado de [62]
Em relação ao gap de ar entre as FSS cascateadas, o algoritmo PSO apresentou

valor de gap igual a 7,43 mm para o AG e 7,36 mm para o PSO.
Figura 3.12 - Estrutura 2: Resultados simulados e medidos da perda por inserção em função da frequência.
Adaptado de [62]
A Figura 3.13 apresenta o resultado do cascateamento entre as estruturas 1 e 2 em

que o resultado dos mesmos foram apresentados acima.
Figura 3.13 - Resultados simulados e medidos das estruturas cascateadas. Adaptado de [62]
Campos, Martins e Almeida Filho, em [63], utilizam algoritmo genético para

encontrar um conjunto de dimensões físicas para a FSS a qual possua o comportamento
desejado. Neste artigo, é realizado para dois tipos de FSS com geometria espira quadrada
e outra quase quadrada com abertura. No algoritmo, por meio de uma função custo, são
selecionadas as dimensões físicas que mais condizem com o comportamento que se deseja
da FSS. As dimensões as quais o AG fornece como resultado são apresentados na Figura
3.14.
Figura 3.14 - Geometrias utilizadas e suas dimensões. Extraído de [63]

Para a espira quadrada, os requisitos desejados são: S21 = -5dB com frequência de
banda de passagem mais baixa (fp1) = 9,32 GHz e frequência de banda de passagem mais
alta (fp2) = 24,35 GHz; S21 = -20 dB com frequência de banda de rejeição mais baixa (fr1)
= 9,32 GHz e frequência de banda de rejeição mais alta (fp2) = 16 GHz e frequência de
ressonância (fr) igual a 15,2 GHz. Após a execução do algoritmo genético, o mesmo
resultou nas seguintes dimensões: periodicidade (p) = 4,3 mm; comprimento (d) = 4.2
mm e largura (w) = 0,3 mm. A Figura 3.15 apresenta os resultados simulados a partir do
resultado do AG e o medido.
Já para a geometria quase-espira quadrada, os autores utilizaram como requisito

os seguintes parâmetros: S21 = -5 dB com fp1 = 7,77 GHz e fp2 = 10,05 GHz; S21 = -20 dB
com fr1 = 8,8 GHz e fr2 = 9,17 GHz e fr = 9,01 GHz. As dimensões apresentadas pelo AG
foram: p = 25,79 mm, L = 9,85 mm, gap = 2,58 mm, s = 1,14 mm e w = 2,83 mm.
Já Ohira et al, em [64], utilizaram o algoritmo genético em conjunto com um

método de refinamento de geometria para projetar a forma geométrica de uma FSS
multibanda. Em seu relato, os autores propuseram uma FSS para bloquear as bandas X e
Ku. Na figura 3.17, é apresentada a FSS e a sua geometria.
Figura 3.17 - Geometria projetada em [64]
A Figura 3.18 mostra a resposta em frequência da característica de transmissão

simulado e medido da FSS projetada para incidência normal.
Figura 3.18 - Resultados simulados e medidos. Adaptado de [64]
Araújo et al em [65] utilizam uma técnica de otimização baseada na combinação

de algoritmos genéticos e redes neurais. Esta técnica é utilizada para determinar valores
específicos para largura de banda e frequência de ressonância a partir de variações de
parâmetros da FSS como dimensões da estrutura periódica (W) e periodicidade dos
elementos da FSS (t). No relato, busca-se estruturas com frequência de ressonância de 11
GHz, largura de banda igual a 3 GHz e 9 GHz com largura de banda igual a 0,6 GHz.
Além da otimização, os resultados são confrontados com as medições e análise

por meio do Wave Concept Iterative Procedure (WCIP) e de um AG sem o suporte da
rede neural artificial. A rede neural treinada pelo algoritmo de Marquardt-Levenberg é
utilizado para apoiar a avaliação de indivíduos a partir da função custo do AG [65].
Nas Figuras 3.19, 3.20 e 3.21 podem-se visualizar a geometria utilizada, os

resultados confrontados para a FSS projetada para 11 GHz e largura de banda igual a 3
GHz e os os resultados confrontados para a FSS projetada para 9 GHz e largura de banda
igual a 0,6 GHz.
Figura 3.19 - Geometria utilizada em [65]
No relato, foi otimizado o valor de W e a periodicidade do elemento. A Figura

3.20 apresenta a característica de transmissão da FSS com os valores de W igual a 1,99
mm, t = 15 mm, R = 6 mm e r = 3,13 mm, •r = 4,4 e h = 1,5 mm.
Figura 3.20 - Característica de transmissão para FSS projetada em 11 GHz. Adaptado de [65]
A Figura 3.21 apresenta a característica de transmissão da FSS com os valores de

W igual a 1,49 mm, t = 22,66 mm, R = 6 mm e r = 3,13 mm, •r = 4,4 e h = 1,5 mm.
Figura 3.21 - Característica de transmissão para FSS projetada em 9 GHz. Adaptado de [65]
Marcelo Ribeiro da Silva em [66], desenvolve em sua tese a otimização de

elementos pré-fractais a partir de modelos de rede neural do tipo perceptron de múltiplas
camadas (MLP) utilizando diferentes parâmetros como variáveis de entrada do projeto
com objetivo de calcular a função custo nas iterações dos algoritmos de busca
populacional. Os algoritmos utilizados são enxame de partículas, algoritmo genético
contínuo e o algoritmo das abelhas.
No relato, observa-se que houve a convergência dos três algoritmos e o PSO

obteve um desempenho melhor em relação aos demais. A Figura 3.22 apresenta os
resultados simulados e medidos para a FSS projetada com elementos pré-fractais Vicsek.
Figura 3.22 - Coeficiente de trasmissão pré-fractal de Vicsek. Adaptado de [66]
Silva, Cruz e DÀssunção em [67] propõe técnica de otimização misturando a

otimização enxame de partícula (PSO) com a rede neural perceptron de múltiplas
camadas (MLP). A técnica foi aplicada no projeto de uma FSS com geometria fractal de
Koch. A rede neural treinada com o algoritmo Resilient Backpropagation (RPROP) foi
utilizada como a função custo nas iterações do PSO. A Figura 3.23 apresenta os resultados
medidos e simulados para o projeto ótimo da FSS Koch rejeita faixa com frequência de
ressonância de 10 GHz e largura de banda 2,2 GHz. O resultado da otimização apresentam
os valores ótimos para os requisitos de projeto relacionado a constante dielétrica da FSS
e o fator de iteração do elemento fractal. Neste caso, •r igual a 4,4 e iteração (N) igual a
1.
Figura 3.23 - Resultados apresentados em [67]
Em [68], os autores propõem uma técnica de otimização utilizando a rede neural

MLP para o projeto ótimo de uma FSS com geometria fractal Sierpinski. Foram utilizados
três algoritmos de busca, o enxame de partículas, das abelhas e o algoritmo genético. O
propósito dos três algoritmos é realizar um comparativo entre os mesmos no que diz
respeito a convergência numérica. A Figura 3.24 apresenta os resultados simulados e
medidos para o projeto da FSS com frequência de ressonância em 10,24 GHz e largura
de banda de 1,47 GHz. Os resultados do algoritmo de busca apresentam o valor da
periodicidade e da constante dielétrica. No caso, para os parâmetros da FSS, os valores
foram 16 mm para a periodicidade e 2,2 para a constante dielétrica.
Figura 3.24 – Característica de transmissão da FSS. Adaptado de [68]
A Figura 3.25 apresenta o comparativo entre os algoritmos de busca enxame de

partícula, algoritmo das abelhas e algoritmo genético contínuo relacionado a
convergência numérica dos mesmos.
Figura 3.25 - Convergência dos algoritmos de busca [68]
A partir dos resultados apresentados na Figura 3.25, percebe-se que o algoritmo

enxame de partículas obteve o melhor desempenho, pois o algoritmo das abelhas obteve
um comportamento de divergência antes de chegar ao resultado final e o algoritmo

genético obteve um comportamento de zigue-zague enquanto o enxame de partículas foi
praticamente direto da população inicial até a população final.
3.4. Conclusão
Neste Capítulo, foi apresentada a descrição matemática e a lógica dos

algoritmos das redes MLP e redes RBF. Foi descrito todo o funcionamento das redes a
partir das expressões que regem todo o funcionamento das redes, tais como os
parâmetros livres que devem ser ajustados, dessa forma, a rede possa “aprender” a partir
dos padrões apresentados as mesmas.
O uso de técnicas computacionais se mostra uma alternativa válida no projeto e

otimização de superfícies seletivas de frequência, pois o uso destas técnicas reduz o
esforço computacional comparado aos métodos de onda completa. Neste Capítulo, foram
apresentados conceitos de redes neurais, como também, um levantamento bibliográfico
sobre o assunto.
A partir dos relatos, observa-se que o trabalho em conjunto das redes neurais e
algoritmos genéticos é muito importante, devido a flexibilidade e fácil aplicação para
estruturas que não tem a função custo obtida diretamente.
60
4. Capítulo 4 – Descrição das geometrias de

superfícies seletivas em frequência e
modelagem da rede neural
4.1. Introdução
Neste capítulo, serão apresentadas as quatro geometrias que serão utilizadas para
obter respostas com aplicações comerciais. Serão utilizadas as geometrias espira
quadrada, espira quadrada dupla, cruz de Jerusalém e uma geometria convolucionada
inédita em relatos científicos.
Para as quatro geometrias utilizada neste estudo, foi realizada uma campanha de
simulação para gerar o banco de dados que será utilizado para sintetizar estas geometrias
com o objetivo de obter diferentes aplicações comerciais. A espira quadrada, foi utilizada
para projetar FSS que rejeite as frequências da banda X. A geometria espira quadrada
dupla foi projetada para, em cascata com a espira quadrada, projetar uma FSS para aplicar
na tecnologia Ultra Wideband (UWB). A cruz de Jerusalém foi utilizada no projeto de
FSS para bloquear as frequências da banda C e banda Ku.
E a geometria convolucionada foi desenvolvida com a finalidade de bloquear as

bandas não licenciadas Industrial, Scientific and Medical (ISM) e Unlicensed National
Information Infrastructure (UNII). Pois, conforme visto, vários sistemas operam nessas
faixas de frequência o que pode afetar a performance do sistema, como também pode
comprometer a segurança do transmissor.
A seguir, será apresentada uma descrição de cada uma das geometrias utilizadas
para obter as respostas que se encaixam nas aplicações acima, bem como quais
parâmetros foram variados destas geometrias para a geração do banco de dados. E, no
CAPÍTULO 4 – ANÁLISE DE SUPERFÍCIE SELETIVA EM FREQUÊNCIA E
MODELAGEM DAS REDES NEURAIS 61
capítulo seguinte, serão apresentados os resultados experimentais das RNA do tipo RBF
utilizadas para realizar a síntese das geometrias das FSS.
4.2. Espira Quadrada
A espira quadrada é uma geometria bastante utilizada na literatura devido oferecer

bom desempenho em relação a estabilidade angular, polarização cruzada, largura de
banda e separação de banda [19]. A Figura 4.1 apresenta os parâmetros físicos dessa
geometria.
Figura 4.1 - Parâmetros da Espira Quadrada
Com respeito aos parâmetros, d significa o comprimento da espira quadrada, p é

a periodicidade do elemento e w é a espessura da espira. Para extrair as características da
mesma, para a montagem do banco de dados que será utilizado para treinar a rede RBF,
foram variados os parâmetros de d, p, w e a espessura do dielétrico. Todas as simulações
foram realizadas com o software Ansoft DesinerTM, a frequência variando de 1 a 30 GHz
e a incidência da onda eletromagnética perpendicular à estrutura, ou seja, igual a 0º em
relação ao eixo z. O dielétrico utilizado em todas as simulações foi o FR-4 (Fibra de
vidro). Na Tabela 4.1 pode-se visualizar os valores dos parâmetros que foram variados
para gerar o banco de dados.
Tabela 4.1 - Variação dos parâmetros - Espira Quadrada
Parâmetros Valores (em mm)

Periodicidade (p) 5; 10; 15; 20
Comprimento da espira (d) 3,5; 6; 7,5; 10; 13; 18
Espessura da espira (w) 0,1; 0,15; 0,2; 0,25; 0,3; 0,35; 0,4; 0,45;
0,5; 0,6; 0,8; 1; 1,5; 2; 2,5; 3; 3,5; 4; 4,5; 5
Espessura do dielétrico (h) 0,8; 1,2; 1,6
Ao todo, foram geradas 104 amostras para o banco de dados utilizando a
geometria espira quadrada, todos os dados do banco podem ser vistos no Apêndice B.
4.3. Espira quadrada dupla
A espira quadrada dupla consiste em duas geometrias espiras quadradas e, uma de

suas características, é a obtenção da resposta em frequência do tipo dual-band [69]. Na
Figura 4.2 é apresentada a geometria e os parâmetros que serão variados para obter as
características da mesma e montar o banco de dados para treinamento da RNA.
Figura 4.2 - Parâmetros da geometria Espira Quadrada Dupla
Na Figura 4.2, p é a periodicidade, d1 e w1 são comprimento e a espessura da

primeira espira quadrada, respectivamente; d2 e w2 são comprimento e espessura da
segunda espira quadrada, respectivamente. Além desses parâmetros, foi variado, a
espessura (h) do substrato. Na Tabela 4.2 são apresentados os valores que foram variados
em cada parâmetro.
Tabela 4.2 - Variação dos parâmetros - Espira Quadrada Dupla
Parâmetros Valores (em mm)

Periodicidade (p) 5; 10; 12; 15; 16; 20
Comprimento (d1) 4,5; 7; 7,5; 8; 9; 9,6; 10,2; 11,5;
12; 13; 15; 19
0,1; 0,15; 0,2; 0,25; 0,3; 0,35; 0,4;
Largura (w1)
0,5; 0,6; 1; 1,5; 2; 2,5; 3
Comprimento (d2) 2,5; 5; 6,5; 7; 7,2; 8; 9; 12; 15;
Largura (w2) 0,1; 0,15; 0,2; 0,25; 0,3; 0,35; 0,4;
0,5; 0,6; 1; 1,5; 2; 2,5; 3; 3,5; 4
Espessura do dielétrico (h) 0,8; 1,2; 1,6
Ao final, totalizou-se 287 amostras, conforme visto no Apêndice B. Todas as
simulações foram realizadas para intervalo de frequência que vai de 1 GHz a 40 GHz,
incidência da onda foi de 0º em relação ao eixo z e o substrato utilizado foi o FR-4 (Fibra
de vidro). Após as simulações foram extraídas as características de largura de banda e
frequência de ressonância para o treinamento da RNA.
4.4.Cruz de Jerusalém
A geometria Cruz de Jerusalém consiste de dois dipolos cruzados com stubs em

suas extremidades, conforme apresentado na Figura 4.3. Uma das características dessa
geometria é a sua estabilidade para as polarizações vertical e horizontal para um grande
espectro de incidência angular.
Figura 4.3 - Parâmetros da geometria Cruz de Jerusalém

Na Figura 4.3, bd, d, p, w e h, consistem no comprimento do stub, comprimento
do dipolo cruzado, periodicidade do elemento, espessura do dipolo cruzado e da espessura
do stub. A Tabela 4.3 apresenta os valores dos parâmetros que foram variados para
formação do banco de dados.
Tabela 4.3 - Variação dos parâmetros - Cruz de Jerusalém
Parâmetros Valores em mm
Periodicidade (p) 10; 12; 15; 16; 20
Comprimento do dipolo 7; 9,6; 10; 13; 15
cruzado (d)
Comprimento do stub (bd) 7; 9,6; 10,2; 13; 15
0,1; 0,15; 0,2; 0,25; 0,3; 0,35; 0,5;
Espessura do dipolo (w)
0,65; 0,8; 0,9; 1,1; 1,3; 1,5; 1,7
Espessura do stub (h) 0,2; 0,3; 0,4
Espessura do dielétrico (hd) 0,8; 1,2; 1,6
Todas as simulações foram realizadas utilizando o dielétrico FR-4 (Fibra de vidro)

e o Ansoft DesignerTM com frequência variando de 1 a 20 GHz e o ângulo de incidência
de 0º em relação ao eixo z. O banco de dados foi obtido a partir das simulações e foram
obtidas 271 amostras, conforme visto no Apêndice B.
4.5. Geometria convolucionada
Além das geometrias apresentadas acima, utilizou-se uma geometria inédita,

desenvolvida neste trabalho, uma geometria convolucionada, conforme apresentada na
Figura 4.3. A palavra convolucionada foi primeiramente introduzida em [70] como um
termo geral para descrever geometrias de FSS entrelaçadas, torcidas ou viradas. É
conhecido que elementos convolucionados produzem bandas estreitas e podem ser
utilizados em baixas frequências em virtude do seu comprimento elétrico [71].
A partir do conceito da geometria convolucionada, buscou-se projetar FSS com

objetivo de bloquear as frequências nas bandas não licenciadas ISM e UNII. Portanto, a
geometria utilizada no projeto da FSS é inédita e foi desenvolvida durante este trabalho.
Pelo ineditismo, será dado uma atenção especial à mesma.
Figura 4.4 - Geometria convolucionada
Inicialmente, foi projetado a geometria da FSS como four-legged loaded,

conforme FSS 1 da Figura 4.4. Depois, foi inserido braços na extremidade da FSS e o
resultado pode ser visto na FSS 2. Após isso, foi-se inserido braços espaçados de 0,5 mm,
conforme Figura 4.5.
Figura 4.5 - Sequência da inserção dos braços
Na análise numérica das FSS, foi utilizado o software comercial Ansoft

DesignerTM. Neste projeto, foi utilizado o substrato FR-4 com constante de
permissividade elétrica (•r) de 4,4; espessura de 1,6 mm e uma tangente de perda de 0,0
e periodicidade de 20 mm.
Na Figura 4.6 são apresentados os resultados numéricos para o coeficiente de

transmissão para incidência normal na FSS. Verifica-se a partir dos resultados que a
medida que insere o braço, aparece uma nova banda de rejeição.
Figura 4.6 - Resposta em frequência das FSS apresentas nas figuras 4.1 e 4.2
A partir desta análise, foi selecionada a FSS 2 para a construção do banco de dados
utilizado para o treinamento da rede neural RBF. Esta FSS foi selecionada em virtude de
obter duas bandas de rejeição, já que a banda ISM compreende as frequências 2,4 a 2,5
GHz e 5,725 a 5,875 GHz e a banda UNII vai de 5,15 a 5,35 GHz e 5,725 a 5,825 GHz.
Ou seja, necessita-se de uma FSS com característica dual band.
O banco de dados da FSS proposta foi realizado por meio da alteração de algumas
medidas da FSS 2 da Figura 4.3. A Figura 4.7 descrimina quais parâmetros foram variados
da geometria.
Figura 4.7 - Geometria da FSS utilizada para o banco de dados
Na geometria, foram variados os parâmetros l1, w2. O parâmetro l1 que é o

comprimento das fitas externas e w2 é a espessura das fitas internas. Na Tabela 4.4
apresenta-se os valores dos parâmetros variados.
Tabela 4.4 - Variação dos parâmetros - Convolucionada
Parâmetros Valores em mm
Comprimento da fita 0; 0,5; 1; 1,5; 2; 2,5; 3; 3,5; 4; 4,5;
externa (l1) 5; 5,5; 6; 6,5; 7; 7,5; 8; 8,5; 9
Espessura da fita interna 0,5; 0,75; 1; 1,25; 1,5; 1,75; 2;
(w2) 2,25; 2,5
Todas as simulações foram realizadas para o domínio de 500 MHz a 7 GHz e
obteve-se um banco de dados com 165 amostras, conforme visto no Apêndice B.
4.6. Criação dos bancos de dados das geometrias
Com os resultados obtidos, foi implementado um algoritmo com interface ao

usuário no software MATLAB que foi intitulado “AnaliseFSS” que a partir dos dados
exportados em “.txt”, pelo Ansoft DesignerTM, o mesmo identifica a(s) frequência(s) de
ressonância e a(s) largura(s) de banda da FSS simulada.
Na Figura 4.8, é apresentada a interface ao usuário do algoritmo desenvolvido.

Figura 4.8 - Layout do programa "AnaliseFSS" desenvolvido
A partir da Figura 4.8, percebe-se que o programa possui o botão “Abrir” que a
partir dele, o usuário seleciona o arquivo de simulação que deseja extrair as características
de transmissão como frequência de ressonância e largura de banda da FSS simulada. O
botão “Resultado” abre um arquivo com os resultados obtidos dos arquivos selecionados
e as características de cada arquivo. O botão “Sobre” apresenta algumas informações
sobre o programa. No programa, pode selecionar os tipos de polarização vertical e/ou
horizontal caso o arquivo possua a simulação para os dois tipos de polarização. Os botões
“Abrir Janela” foi implementado com a finalidade de abrir o gráfico apresentado na
interface em uma janela à parte.
4.7.Modelagem da rede neural RBF
Todos os projetos utilizando as geometrias descritas nas seções anteriores foram

desenvolvidas utilizando a rede neural RBF. A rede neural foi implementada utilizando o
MATLAB e uma interface foi desenvolvida para facilitar o treinamento da rede para cada
geometria. Na Figura 4.9 pode-se visualizar a interface do programa intitulado
“TreinamentoRBFSS” executando um exemplo.
Figura 4.9 - Exemplo do programa "TreinamentoRBFSS"
No programa “TreinamentoRBFSS” tem-se como parâmetros de entrada:

neurônios da camada de entrada (NCE), neurônios da camada oculta (NCO), neurônios
da camada de saída (NCS), taxa de aprendizado (TAP), erro médio quadrático a ser
atingido (EMQ), quantidade de épocas máximas (EPC), porcentual das amostras do banco
de dados a ser utilizada no treinamento (TREINO), a função de ativação utilizada na
camada de saída da rede RBF. Após inserir todos esses parâmetros, pode-se utilizar os
botões “Abrir” para selecionar o banco de dados a ser treinado pela rede, “Limpar” faz a
limpeza de todas as variáveis e dos gráficos de treinamento e validação. E o botão
“Treinar” executa o treinamento da rede. Na seleção do botão “Treinar”, os gráficos de
treinamento e validação apresentam como está se comportando o treinamento e a
validação da rede. Os botões “Sobre” e “Gráfico” dizem respeito às informações sobre o
programa e abrir janelas com os gráficos de treinamento e validação, respectivamente.
A arquitetura da rede neural RBF utilizada para encontrar os melhores valores das
variáveis das geometrias apresentadas a partir do tipo de aplicação de cada uma foi
apresentada no Capítulo 3 e, esta é reapresentada na Figura 4.10.
Figura 4.10 - Rede RBF utilizada
Conforme visto no Capítulo 3, a camada intermediária possui uma espécie de

treinamento não-supervisionado o qual consiste em ajustar os pesos da camada
intermediária por meio de clusterização. Já o ajuste dos pesos da camada de saída, é
realizado de acordo com o algoritmo que implementa a regra delta generalizada. No
Apêndice A, é apresentado o passo a passo do algoritmo nas fases de treinamento e
operação.
4.8.Conclusão
Neste capítulo foram apresentadas as três geometrias bastante difundida na

literatura científica que serão utilizadas para realizar o projeto de FSS para aplicações
comerciais. Também, foi apresentado um novo tipo de geometria convolucionada inédita
em relatos científicos.
A partir dessas geometrias, obteve-se o banco de dados e, uma descrição da
construção do banco de dados foi apresentado. As características dos bancos foram
extraídas a partir de um programa desenvolvido no MATLAB “AnaliseFSS”. As
respostas em frequências obtidas foram a partir do software Ansoft DesignerTM.
Além da descrição do bando de dados, foi apresentada a arquitetura da rede a ser

treinada, tipo de função de ativação utilizada etc. E o programa “TreinamentoRBFSS”
que foi utilizado para treinamento e validação da rede. Ambos programas foram
desenvolvidos pelo autor do trabalho.
No próximo Capítulo, é apresentado os resultados obtidos pelas redes para cada

geometria apresentada. A partir dos valores obtidos na saída da rede, foram projetadas
geometrias com aplicações comerciais aos quais os valores simulados foram confrontados
com os medidos.
72
5. Capítulo 5 – Resultados
5.1. Introdução
Neste capítulo, serão apresentados os resultados da rede RBF implementada para

cada geometria, como também, projetos de FSS para diversas aplicações. Em todos os
projetos, foram realizados estudos de estabilidade angular e de polarização, com o
objetivo de verificar a resposta em frequência das FSS projetadas independente da
polarização da onda eletromagnética e o seu ângulo de incidência.
Cada geometria possui uma certa quantidade de amostras conforme apresentada

no capítulo anterior e possuem características peculiares, portanto, os parâmetros da rede
variam de aplicação para aplicação.
Primeiramente, treinou-se a rede RBF com as amostras da geometria espira

quadrada. Depois, a rede foi treinada para a espira quadrada dupla, seguindo da cruz de
Jerusalém e, por último, a geometria convolucionada proposta.
A partir da extração das características dos resultados simulados utilizando o

“AnaliseFSS”, percebeu-se que a geometria espira quadrada possuía na maioria das
amostras apenas uma frequência de ressonância, enquanto as outras geometrias possuíam
uma característica multibanda.
5.2. Resultados dos treinamentos das redes neurais
Para a implementação das redes neurais, foi utilizado como critério de parada de
treinamento da rede, o valor do erro médio quadrático de cada época de treinamento,
conforme fórmula (3.6) e a quantidade de épocas. Após a implementação das redes, foram
CAPÍTULO 5 – RESULTADOS 73
realizadas diversas simulações com diferentes valores de neurônios na camada oculta,

levando em consideração os problemas de overfitting e underfitting. O valor da
quantidade de épocas foi configurado para 100.000 em todos os casos, mas o valor do
erro médio quadrático foi modificado dependendo do tipo de geometria.
5.2.1. Projeto de FSS para banda X
Neste projeto, a geometria espira quadrada foi utilizada como elemento da FSS
para aplicar no bloqueio das frequências que correspondem à banda X. A faixa de
frequência correspondente vai de 8 GHz a 12 GHz e tem uso voltado para aplicações
militares.
A RNA foi treinada a partir das características extraídas das amostras apresentadas
no Capítulo 4. Na Figura 5.1 são vistos os desempenhos da rede na fase de treinamento e
validação, que para efeito de melhor visualização, na Figura 5.1 vê-se o resultado até a
época 1000.
Figura 5.1 - Desempenho da RNA para FSS com geometria espira quadrada
Para obter o desempenho visto na Figura 5.1, foram inseridos 2 neurônios na

camada de entrada que correspondem à frequência de ressonância e largura de banda, 36
neurônios na camada oculta e 4 neurônios na camada de saída que correspondem aos
parâmetros construtivos da geometria espira quadrada (h, p, d, w). A taxa de aprendizado
foi de 0,006 e o erro médio quadrático a ser atingido foi igual a 0,05. A rede convergiu
para o resultado do erro médio quadrático em torno da 50.390 época.
Após o treinamento da RNA, foram inseridos os parâmetros de projeto para FSS

rejeitar as frequências na banda X. Como parâmetro de entrada, foi inserido valor de
frequência de ressonância de 10 GHz e largura de banda de 4 GHz.
Como resultado da RNA, o valor da espessura (h) do dielétrico (FR-4) foi de 1,2
mm, a periodicidade (p) de 9,17 mm; o comprimento (d) de 7,43 mm e a espessura (w)
igual a 1,16 mm, conforme visto na Figura 5.2.
Figura 5.2 - Dimensões da geometria quadrada a partir do resultado da RNA
Na Figura 5.2 pode-se observar a resposta em frequência da geometria projetada

utilizando o Ansoft DesignerTM. Para a incidência da onda eletromagnética perpendicular
à FSS (! igual a 0º), tem-se uma frequência de ressonância de 10,3 GHz e largura de
banda de 4,1 GHz.
Analisando a resposta da RNA, percebe-se que houve um erro relativo aos valores
de projeto de 0,03 para a frequência de ressonância e 0,025 para a largura de banda.
Figura 5.3 - Resposta em frequência simulada da FSS espira quadrada para polarização vertical
Na Figura 5.3, pode-se visualizar, também, o estudo de estabilidade angular da

FSS. Percebe-se uma pequena variação na frequência de ressonância e uma diminuição
na largura de banda à medida que aumenta o ângulo de incidência. Os resultados
experimentais são apresentados na Figura 5.4.
Figura 5.4 - Medição da FSS espira quadrada para polarização vertical
Comparando os resultados das Figuras 5.3 e 5.4, verifica-se que a FSS para
polarização vertical possui uma estabilidade angular possuindo uma pequena diferença
na resposta em frequência para os diferentes ângulos analisados. A Tabela 5.1 apresenta
os valores da frequência de ressonância e largura de banda para cada ângulo de incidência

da onda eletromagnética, valores simulados e medidos.
Tabela 5.1 - Estabilidade angular da FSS espira quadrada - Polarização vertical
Simulado Medido
• fr1 (GHz) BW1 (GHz) fr1 (GHz) BW1 (GHz)
0º 10,30 4,10 10,90 2,60
10º 10,30 4,00 10,80 3,30
20º 10,20 3,90 10,80 3,15
30º 10,10 3,90 10,75 4,10
Após o estudo da estabilidade angular para a polarização vertical, foi realizado o

mesmo procedimento para a polarização horizontal, conforme visto na Figura 5.5.
Figura 5.5 - Resposta em frequência simulada da FSS espira quadrada para polarização horizontal
A partir da Figura 5.5, percebe-se que não houve variação na frequência de

ressonância, mas houve uma pequena diminuição na largura de banda com o aumento do
ângulo de incidência. Na Figura 5.6, pode-se visualizar os resultados medidos para
polarização horizontal.
Figura 5.6 - Medição da FSS espira quadrada para polarização horizontal
Os resultados obtidos na Figura 5.5 mostram a estabilidade angular da FSS, pois

as respostas em frequência de todas as incidências angulares apresentaram praticamente
a mesma frequência de ressonância, em volta de 10,8 GHz e largura de banda de 3,5 GHz,
conforme pode ser visto na Tabela 5.2.
Tabela 5.2 - Estabilidade angular da FSS espira quadrada - Polarização horizontal
Simulado Medido
• fr1 (GHz) BW1 (GHz) fr1 (GHz) BW1 (GHz)
0º 10,30 4,10 10,75 3,60
10º 10,30 4,10 10,80 3,25
20º 10,30 3,90 10,80 3,50
30º 10,30 3,60 10,70 3,80
A partir dos resultados vistos nas Tabelas 5.1 e 5.2, pode-se afirmar que a FSS
com a geometria projetada possui estabilidade de polarização e estabilidade angular.
Nota-se uma concordância entre os resultados simulados e medidos, haja visto o erro
médio relativo aos valores simulados da frequência de ressonância e largura de banda
obtidos a partir da Tabela 5.2 terem atingido os valores de 0,045 e 0,122.
5.2.2. Superfície seletiva de frequência com resposta UWB
A geometria espira quadrada dupla será utilizada para projetar uma FSS para
utilização na tecnologia Ultra Wideband (UWB) que consiste do intervalo de frequência
que vai de 3,1 GHz a 10,6 GHz. Para obter o bloqueio da faixa de frequência que
compreende a tecnologia UWB, serão utilizadas duas FSS cascateadas, conforme
apresentado na Figura 5.6.
Figura 5.7 - FSS cascateadas
A FSS 1 utiliza a geometria espira quadrada dupla e a FSS 2, a geometria espira

quadrada. Conforme apresentado anteriormente, a espira quadrada possui característica
de possuir uma banda de frequência de ressonância e a espira quadrada dupla,
característica dual-band.
A RNA foi treinada com as características da geometria espira quadrada dupla, a

partir das características extraídas das amostras apresentadas no Capítulo 4. Na Figura
5.8 são vistos os desempenhos da rede na fase de treinamento e validação até a época 100.
O resultado apresentado até a época 100 é para efeito de melhor visualização do
desempenho da rede.
Figura 5.8 - Desempenho da RNA para FSS com geometria Espira Quadrada Dupla

camada de entrada que correspondem às frequências de ressonância e larguras de banda,
40 neurônios na camada oculta e 6 neurônios na camada de saída que correspondem aos
parâmetros construtivos da geometria espira quadrada (h, p, d1, d2, w1, w2). A taxa de
aprendizado foi de 0,1 e o erro médio quadrático a ser atingido foi igual a 0,05. O
resultado foi atingido na época 13950.
Para o projeto da FSS 1, foram inseridos na RNA treinada com as características

dessa geometria os valores da frequência de ressonância 1 (fr1) igual a 3 GHz e largura
de banda (BW1) igual a 1,5 GHz; frequência de ressonância 2 (fr2) igual a 9 GHz e largura
de banda (BW2) igual a 3 GHz. Os parâmetros de saída foram: h igual a 1,2 mm; p igual
a 12,67 mm; d1 igual a 12,17 mm; d2 igual a 8,44 mm; w1 igual a 0,43 mm e w2 igual a
1,11 mm.
No projeto da FSS 2, foram inseridos na RNA treinada com as características da

geometria espira quadrada os valores de frequência de ressonância e largura de banda
iguais a 5,5 GHz e 3 GHz, respectivamente. Os parâmetros de saída foram: h igual a 1,2
mm; p igual a 12,67 mm; d igual a 11,09 mm e w igual a 1,29 mm. Na Figura 5.9 pode-
se visualizar as geometrias e suas respectivas medidas.
(a) (b)
Figura 5.9 - Dimensões das geometrias a partir dos resultados das RNA. a) Espira quadrada dupla; b) Espira
quadrada
Após estes resultados, foram simuladas no Ansoft DesignerTM as estruturas com

os parâmetros das RNA separadamente e, depois, as estruturas cascateadas com gap de
ar de 5 mm. Este valor do gap foi obtido a partir da variação do gap de 0 a 30 mm e,
percebeu-se que, o valor de 5 mm para as FSS projetadas, estas bloquearam todo intervalo
de frequência que compreende a tecnologia UWB. Na Figura 5.10 são apresentadas as

respostas em frequência, simuladas e medidas, das estruturas separadamente.
Figura 5.10 - Resposta em frequência das FSS separadamente
A partir da Figura 5.10, percebe-se um pequeno erro relativo entre os valores

inseridos na entrada das redes neurais e os resultados obtidos da simulação. Na Tabela
5.3 são apresentados os valores de frequência de ressonância e largura de banda das
estruturas projetadas.
Analisando os resultados simulados encontrados para a FSS 1, calculou-se o erro

relativo às frequências de projeto de 0,083 e 0,167 para a primeira frequência de
ressonância e a sua largura de banda, respectivamente. Já para os valores referentes à
segunda banda de rejeição, os erros relativos são iguais a 0 e 0,167 para a frequência de
ressonância e largura de banda, respectivamente. Para a FSS 2, os valores dos erros
relativos calculados foram iguais a 0,091 e 0,083 frequência de ressonância e largura de
banda, respectivamente.
Os resultados medidos para a FSS 1 foram 3,4 GHz e 9,45 GHz, conforme pode
ser visualizado na Tabela 5.3.
Entre os resultados simulados e medidos, pode-se constatar um erro médio relativo

aos valores simulados para as frequências de ressonâncias e larguras de banda da FSS 1
de: 0,048 e 0,154, respectivamente.
Tabela 5.3 - Valores de frequência de ressonância e largura de banda das FSS
Simulado Medido
fr (GHz) BW (GHz) fr (GHz) BW (GHz)
FSS 1 3,25 1,25 3,40 1,11
9,00 2,50 9,45 2,99
FSS 2 6,00 2,75 6,26 3,91
Na Figura 5.11 é apresentada a resposta em frequência das FSS cascateadas para

polarização vertical. Percebe-se que o cascateamento das duas estruturas proporcionou
uma rejeição de toda a banda que compreende a faixa UWB.
Figura 5.11 - Resposta em frequência simulada das FSS em cascata para polarização vertical.
A partir da Figura 5.11 percebe-se que com o resultado do estudo da estabilidade

angular, as estruturas projetadas comportam-se com estabilidade angular para polarização
vertical. Na Figura 5.12, é realizada a validação da simulação a partir dos resultados
medidos.
Figura 5.12 - Resultados medidos para FSS cascateadas com polarização vertical.
Na Figura 5.12, percebe-se uma boa concordância entre os resultados simulados

e medidos que pode ser atestada na Tabela 5.4.
Tabela 5.4 - Estabilidade angular- FSS cascateadas - Polarização vertical
Simulado Medido
• fr1 (GHz) – fr2 (GHz) BW (GHz) fr1 (GHz) – fr2 (GHz) BW (GHz)
0º 3,10 – 10,60 7,50 3,15 – 11,28 8,13
10º 3,10 - 10,70 7,60 3,07 – 11,19 8,12
20º 3,10 - 10,70 7,60 3,16 – 11,22 8,06
30º 3,10 - 10,80 7,70 3,15 – 11,18 8,03
Na Tabela 5.4, fr1 e fr2 representam os valores inferior e superior do bloqueio das
frequências. A partir dos resultados medidos, confirma-se que a estrutura projetada
consegue cobrir todo intervalo de frequência que compreende a tecnologia UWB.
Na Figura 5.13 pode-se visualizar os resultados simulados do estudo de

estabilidade angular para polarização horizontal.
Figura 5.13 - Resposta em frequência simulada das FSS cascateadas para polarização horizontal.
Com os resultados apresentados na Figura 5.13 percebe-se que as estruturas

cascateadas também possuem estabilidade angular para a polarização horizontal. Os
resultados apresentados na Figura 5.13, são validados nos resultados medidos
apresentados na Figura 5.14.
Figura 5.14 - Resultados medidos para FSS cascateadas com polarização horizontal.
Na Tabela 5.5, pode-se verificar os valores iniciais e finais da frequência de

bloqueio e a largura de banda para os resultados simulados e medidos.
Tabela 5.5 - Estabilidade angular - FSS cascateadas - Polarização horizontal
Simulado Medido
• fr1 (GHz) – fr2 (GHz) BW (GHz) fr1 (GHz) – fr2 (GHz) BW (GHz)
0º 3,10 – 10,60 7,5 3,00 – 11,64 8,64
10º 3,10 - 10,60 7,5 3,03 – 11,53 8,50
20º 3,10 - 10,60 7,5 3,13 – 11,5 8,37
30º 3,10 - 10,60 7,5 3,14 – 11,00 7,86
A partir dos resultados, percebe-se que as FSS cascateadas possuem estabilidade

tanto angular quanto de polarização para o intervalo de frequência de interesse. Os
resultados apresentados neste projeto possuem enorme contribuição em virtude de, pelo
conhecimento dos autores, não haver nenhum relato científico até o presente que trata de
superfície seletiva de frequência voltada à tecnologia UWB com resposta em frequência
independente tanto de polarização quanto incidência de onda eletromagnética.
A seguir, serão apresentados os resultados para o projeto de FSS com geometria

cruz de Jerusalém.
5.2.3. FSS com operação nas bandas C e Ku
Neste projeto, será utilizada uma FSS com geometria de cruz de Jerusalém para
projetar uma superfície seletiva de frequência que seja capaz de bloquear as frequências
do sistema via satélite nas bandas C e Ku. O sistema na frequência de uplink na banda C
consiste nas frequências que vai de 5,85 a 6,425 GHz e na banda Ku vai de 14 a 14,5
GHz. Na frequência de downlink na banda C vai de 3,625 a 4,2 GHz e na banda Ku de
11,7 a 12,2 GHz.
A partir das características extraídas das amostras apresentadas no Capítulo 4, foi

realizado o treinamento da rede neural. Na Figura 5.15, pode-se visualizar a evolução da
RNA no seu treinamento e validação.
Figura 5.15 - Desempenho da RNA para FSS com geometria Cruz de Jerusalém

camada de entrada que correspondem às frequências de ressonância e larguras de banda,
30 neurônios na camada oculta e 5 neurônios na camada de saída que correspondem aos
parâmetros construtivos da geometria cruz de Jerusalém (hd, p, bd, d, h, w). A taxa de
aprendizado foi de 0,07 e o erro médio quadrático a ser atingido foi igual a 0,03. A
evolução da rede atingiu o valor do erro médio quadrático na época 147424.
Após o treinamento, foram inseridos os valores de fr1 igual a 5,5 GHz, BW1 igual
a 3 GHz, fr2 igual a 13,5 GHz, BW2 igual a 3 GHz. Os valores obtidos da rede foram: p =
10,84 mm; hd = 1,6 mm; bd = 8,43 mm; d = 10,63 mm; h = 0,4 mm; w = 2,30 mm. A
geometria cruz de Jerusalém e suas dimensões podem ser vistas na Figura 5.16.
Figura 5.16 - Dimensões da geometria cruz de Jerusalém a partir dos resultados das RNA
Na Figura 5.17 são apresentados os resultados obtidos através da análise numérica

utilizando o Ansoft DesignerTM.
Figura 5.17 - Resposta em frequência da FSS geometria cruz de Jerusalém para polarização vertical.
Analisando a Figura 5.17, percebe-se que toda a faixa de interesse de uplink e

downlink do sistema via satélite será bloqueada até uma incidência de 30º em relação ao
eixo z. Portanto, a estrutura possui estabilidade angular até a incidência analisada.
Com os valores obtidos para incidência de 0º, pode-se calcular o erro relativo entre
o valor inserido na entrada da rede e o valor encontrado com os parâmetros obtidos com
a RNA. O erro relativo aos valores de projeto referente à fr1 e BW1 são iguais a 0,073 e
0,13, respectivamente. Já os valores referentes à fr2 e BW2 são iguais a 0,007 e 0,2,
respectivamente.
Na Figura 5.18, pode-se verificar os resultados medidos da FSS projetada e, pode-

se visualizar a concordância com a Figura 5.17.
Figura 5.18 - Resultados medidos para FSS projetada para polarização vertical
Na Tabela 5.6 pode-se visualizar os valores das frequências de ressonância e

largura de banda a partir da mudança do ângulo de incidência da onda para os resultados
simulados e resultados medidos.
Tabela 5.6 - Estabilidade angular da FSS cruz de Jerusalém - Polarização vertical
Simulado Medido
fr1 BW1 fr2 BW2 fr1 BW1 fr2 BW2
•
(GHz) (GHz) (GHz) (GHz) (GHz) (GHz) (GHz) (GHz)
0º 5,1 2,6 13,4 3,6 5,08 2,80 13,69 3,92
10º 5,1 2,6 13,4 3,6 5,15 2,87 13,48 3,99
20º 5,1 2,7 13,3 3,7 5,15 2,80 13,27 3,78
30º 5,1 2,9 13,2 3,8 5,22 2,87 13,41 3,78
Os valores apresentados na Tabela 5.6 mostram que, de fato, os resultados

simulados e medidos são muito próximos e são comprovados a partir dos erros médios
relativos de fr1, fr2, BW1 e BW2, que foram de 0,012; 0,011; 0,057; 0,056.
O estudo de estabilidade angular e de polarização foi realizado. Na Figura 5.19

são apresentados os resultados para polarização horizontal com a variação do ângulo de
incidência da onda.
Figura 5.19 - Resposta em frequência da FSS geometria cruz de Jerusalém para polarização horizontal
Analisando a Figura 5.19, percebe-se uma boa estabilidade angular com todos os
ângulos de incidência com frequências de ressonâncias iguais a 5,1 GHz e 13,4 GHz e
leves variações nas larguras de banda. Estes resultados simulados são validados com os
resultados medidos apresentados na Figura 5.20.
Figura 5.20 - Resultados medidos para FSS projetada para polarização horizontal
Pela resposta em frequência dos resultados medidos, percebe-se uma grande

concordância entre os resultados, como também, comprova a estabilidade angular da FSS
projetada. Na Tabela 5.7, são apresentados os valores de frequências de ressonâncias e
larguras de banda dos resultados simulados e medidos.
Tabela 5.7 - Estabilidade angular da FSS cruz de Jerusalém - Polarização horizontal
Simulado Medido
! fr1 BW1 fr2 BW2 fr1 BW1 fr2 BW2
0º 5,1 2,6 13,4 3,6 5,08 2,66 13,9 4,48
10º 5,1 2,6 13,4 3,6 5,15 2,59 14,18 4,13
20º 5,1 2,5 13,4 3,4 5,01 2,59 13,97 3,71
30º 5,1 2,3 13,3 3,1 5,08 2,31 14,04 3,64
A partir dos dados apresentados na Tabela 5.7, pode-se calcular os valores dos
erros médios relativos para fr1, fr2, BW1 e BW2. Os valores calculados foram 0,009; 0,048;
0,017; 0,164. O projeto da FSS projetada opera independentemente para o intervalo de
ângulo de incidência estudado, como também, para as polarizações vertical e horizontal.
Na próxima seção, são apresentados os resultados utilizando a geometria

convolucionada proposta neste trabalho para aplicações nas faixas de frequência que
correspondem às bandas ISM e UNII.
5.2.4. Projeto de FSS com Geometria Convolucionada para aplicações nas

faixas ISM e UNII
A FSS com a geometria convolucionada proposta, conforme apresentada no

Capítulo 4, será utilizada para projetar uma superfície capaz de bloquear as frequências
das bandas não licenciadas ISM e UNII. Na Figura 5.21 são apresentas as curvas do erro
médio quadrático em relação a quantidade de épocas da rede RBF utilizando o conjunto
de amostras da geometria convolucionada para o treinamento e validação. Para obter este
desempenho, foram inseridos 4 neurônios na camada de entrada que correspondem às
frequências de ressonâncias e suas larguras de banda, 26 neurônios na camada oculta e 2
neurônios na camada de saída que correspondem aos valores de l1 e w2, que são os
parâmetros a serem otimizados da geometria convolucionada.
Figura 5.21 – Desempenho da RNA para FSS com geometria Convolucionada
O desempenho apresentado na Figura 5.21 foi obtido com a taxa de aprendizagem

de 0,2 e erro médio quadrático igual a 0,02. Percebe-se que este valor de erro foi obtido
na época 3568.
Após o treinamento da rede, na operação, foi inserido na entrada os valores de fr1

igual a 2,5 GHz e BW1 igual a 1 GHz; fr2 igual a 5,5 GHz e BW2 igual a 1 GHz. Estes
valores foram inseridos devido englobar as faixas de frequência das bandas ISM (2,4 a
2,5 GHz – 5,725 a 5,875 GHz) e UNII (5,15 a 5,35 GHz – 5,725 a 5,825 GHz). A saída
da rede obteve os valores de l1 e w1 iguais a 8,98 e 0,71, conforme pode ser visto na Figura
5.22.
Figura 5.22 - Dimensões da geometria convolucionada a partir dos resultados das RNA
Foram utilizadas essas dimensões para verificar a otimização da RNA, como

também, para realizar o estudo de estabilidade angular e de polarização da FSS. Nas
Figuras 5.23, 5.24, 5.25 e 5.26 são apresentados os resultados para estabilidade angular
na polarização vertical e horizontal simulados através do Ansoft DesignerTM e medidos.
Figura 5.23 – Resposta em frequência da FSS com geometria convolucionada para polarização vertical
A partir dos resultados apresentados na Figura 5.23 verifica-se que a FSS não
possui variações na frequência de ressonância e nem na largura de banda, isso mostra que
a FSS possui estabilidade angular.
Com os resultados apresentados para a incidência igual a 0º pode-se calcular que

o valor do erro relativo entre os valores de frequências de ressonância e largura de banda
inseridos na RNA e os encontrados a partir da caracterização numérica dos parâmetros
otimizados utilizando o Ansoft DesignerTM. Os valores dos erros relativos são iguais a
0,1 e 0,07 para frequência de ressonância e largura de banda, respectivamente, para
primeira banda de rejeição. Já para a segunda banda de rejeição os valores para frequência
de ressonância e largura de banda são iguais a zero.
Na Figura 5.24, pode-se visualizar os resultados medidos da FSS com geometria

convolucionada e polarização vertical.
Figura 5.24 - Resultados medidos da FSS com geometria convolucionada para polarização vertical
Pelas Figuras 5.23 e 5.24, observa-se a concordância entre os resultados simulados

e medidos. Para o ângulo de incidência normal, o valor da frequência de ressonância da
primeira banda de rejeição foi de 2,73 GHz enquanto o resultado simulado apresentou
valor de 2,75. Ou seja, um erro relativo de 0,007.
Na Tabela 5.8 são expostos os valores de frequência de ressonância e largura de

banda obtidas a partir dos resultados simulados e medidos.
Tabela 5.8 - Estabilidade angular da FSS convolucionada - Polarização vertical
Simulado Medido
fr1 BW1 fr2 BW2 fr1 BW1 fr2 BW2
!
0º 2,75 1,07 5,50 1,00 2,73 0,858 5,73 1,23
10º 2,75 1,10 5,50 1,05 2,75 1,22 5,76 1,61
20º 2,75 1,12 5,50 1,07 2,78 1,40 5,81 1,82
30º 2,75 1,14 5,50 1,10 2,78 1,13 5,80 1,50
Os valores dos erros médios relativos apresentados na Tabela 5.7 para fr1, fr2,
BW1 e BW2, são, respectivamente, iguais a 0,04; 0,05; 0,141; 0,457.
Na Figura 5.25 são apresentados os resultados simulados do estudo de estabilidade

angular para a polarização horizontal.
Figura 5.25 - Resposta em frequência da FSS com geometria convolucionada para polarização horizontal
Na Figura 5.25 verifica-se que para polarização horizontal, os ângulos de

incidência na primeira banda de rejeição possuem a mesma frequência de ressonância,
igual a 2,75 GHz. Na outra banda, percebe-se uma pequena variação na largura de banda
e frequência de ressonância.
Na Figura 5.26 são apresentados os resultados medidos para validar os resultados

apresentados na Figura 5.25. Nota-se que os valores simulados e medidos para a
frequência de ressonância da primeira banda de rejeição são praticamentes iguais,
independente do ângulo da onda incidente.
Figura 5.26 - Resultados medidos da FSS com geometria convolucionada para polarização horizontal
Na Tabela 5.9, tem-se os valores sintetizados de largura de banda e frequência de

ressonância das Figuras 5.25 e 5.26.
Tabela 5.9 - Estabilidade angular da FSS convolucionada - Polarização horizontal
Simulado Medido
• fr1 BW1 fr2 BW2 fr1 BW1 fr2 BW2
0º 2,75 1,05 5,5 1,0 2,71 0,88 5,71 1,20
10º 2,75 1,05 5,5 1,05 2,72 0,9 5,75 1,24
20º 2,75 0,95 5,4 1,05 2,6 0,97 5,61 1,32
30º 2,75 0,9 5,3 0,75 2,64 0,85 5,57 1,31
Pela Tabela 5.9, pode-se calcular os valores dos erros médios relativos das
frequência de ressonâncias (fr1 e fr2) e suas larguras de banda (BW1 e BW2). Os valores
encontrados para fr1 e fr2 são 0,03 e 0,043, respectivamente. Para BW1 e BW2, os valores
são 0,095 e 0,346, respectivamente.
Tendo em vista os resultados apresentados nas Figuras 5.23 a 5.26 e nas Tabelas
5.8 e 5.9, vê-se que a FSS possui estabilidade angular e de polarização na banda de 2,5
GHz enquanto que na banda de 5,5 GHz, a mesma possui pequenas variações na
frequência de ressonância e largura de banda. Então, pode-se concluir que a FSS possui
estabilidade angular e independência de polarização na região de interesse.
Por esta geometria ser inédita, será abordado uma seção com a análise
comportamental da dos valores de l1 e w2 com relação a variação das frequências de
ressonâncias na primeira e segunda banda de rejeição, como também, o seu
comportamento com a variação da largura de banda.
5.2.4.1.Análise comportamental das dimensões da geometria convolucionada
Nesta seção, será apresentada a análise do comportamento das dimensões da

geometria variando o valor da frequência de ressonância na banda de 2,5 GHz (fr1) e na
banda de 5,5 GHz (fr2), como também, a variação da largura de banda correspondente a
fr1 (BW1) e a fr2 (BW2). A ideia é apresentar o comportamento de l1 e w2 mediante a
variação das frequências de ressonâncias e larguras de banda.
Esse estudo foi realizado utilizando a RNA treinada com esta geometria e, dessa
forma, conseguiu-se otimizar tempo, pois não houve necessidade de realizar diversas
caracterizações numéricas e analisar o comportamento somente após o término das
simulações.
Primeiramente variou-se a fr1 de 2,5 GHz até 4 GHz com passo de 0,1 GHz e
manteve-se os valores de BW1, fr2 e BW2 constantes iguais a 1 GHz, 5,5 GHz e 1 GHz,
respectivamente. E depois, manteve os valores de fr1, BW1 e BW2 constantes iguais a 2,5
GHz, 1 GHz e 1GHz, respectivamente, e variou-se a frequência fr2 de 5,5 GHz até 6,5
GHz com passo de 0,1 GHz. Esses valores foram inseridos na entrada da RNA e o
resultado é apresentado na Figura 5.27.
Figura 5.27 - Comportamento de l1 e w2 com relação a variação de fr1
A partir da Figura 5.27 verifica-se que a variação do comprimento de l1 afeta mais

a frequência fr1 do que w2 que manteve-se praticamente constante a 1,1 mm. Na Figura
5.28 são apresentados os resultados do comportamento de l1 e w2 variando fr2.
Figura 5.28 - Comportamento de l1 e w2 com relação a variação de fr2

Na Figura 5.28 percebe-se que a variação de l1 afeta mais fr2 que w2. Já as Figuras
5.29 e 5.30 apresentam o comportamento de l1 e w2 mediante a variação da largura de
banda (BW1) com frequência de ressonância de 2,5 GHz e variação da largura de banda
(BW2) com frequência de ressonância em 5,5 GHz. Variou-se os valores de BW1 e BW2
de 0,9 GHz a 1,6 GHz, com passo de 0,1 GHz. Na variação de BW1, os outros parâmetros
fr1, fr2, BW2 mantiveram-se constantes iguais a 2,5 GHz, 5,5 GHz e 1 GHz,
respectivamente. Na variação de BW2, os outros parâmetros fr1, fr2, BW1 mantiveram-se
constantes iguais a 2,5 GHz, 5,5 GHz e 1 GHz, respectivamente.
Figura 5.29 - Comportamento de l1 e w2 com relação a variação de BW1
Pela Figura 5.29, verifica-se que a variação de BW1 pouco afeta os valores de l1 e
w2 para primeira banda de rejeição.
Figura 5.30 - Comportamento de l1 e w2 com relação a variação de BW2
Na Figura 5.30 percebe-se que a variação da largura de banda BW2 afeta

diretamente no valor de l1. Para os valores das variações realizadas percebe-se que o valor
de w2 manteve-se praticamente constante para todos os casos.
5.8. Conclusão
Neste capítulo, foram apresentados os resultados experimentais para o

treinamento da rede RBF para cada geometria utilizada, como também, foi realizada a
simulação da resposta em frequência das FSS a partir das dimensões otimizadas
apresentadas na saída das referidas redes. Depois, foi realizado estudo de estabilidade
angular e de polarização das FSS, o qual, todas as estruturas se mostraram estáveis quanto
a polarização e ângulo de incidência até 30º.
A partir dos resultados medidos, pode-se verificar que todos os projetos

desenvolvidos possuem concordância entre os resultados simulados e medidos,
mostrando que estes podem ser utilizados nas aplicações comerciais utilizadas neste
trabalho.
99
6. Capítulo 6 – Conclusão
Neste trabalho, foram apresentadas as características das superfícies seletivas em

frequência, seus aspectos construtivos, como também, sua importância nas mais diversas
áreas da radiofrequência vai desde a utilização em absorvedores de micro-ondas,
melhorar a resposta de antenas patch de microfita, aumentando sua largura de banda e
sua eficiência.
Foram realizados levantamentos bibliográficos sobre a aplicação de FSS em

estruturas multibanda e/ou banda larga. Como também, um estudo sobre a aplicação de
inteligência computacional voltado a aplicações de técnicas computacionais em síntese
e/ou análise de FSS com o objetivo de ter conhecimento das técnicas de inteligência que
estão sendo utilizadas nas pesquisas.
Foram realizadas apresentações das FSS utilizadas para montagem dos bancos de
dados deste trabalho, o qual foi descrito no Capítulo 4. Essas amostras foram utilizadas
no treinamento da rede RBF a fim de obter superfícies seletivas de frequência voltadas a
aplicações comerciais nas bandas não licenciadas ISM e UNII, banda C, banda X, banda
Ku, e o cascateamento de geometrias para aplicações na tecnologia UWB.
Além de utilizar inteligência computacional para encontrar dimensões ótimas para

FSS utilizadas em aplicações comerciais, este trabalho propôs uma geometria inédita na
literatura com aplicação nas bandas não licenciadas.
Foi realizado um estudo de estabilidade angular e de polarização das FSS

projetadas e todas as geometrias obtiveram estabilidade angular e de polarização. Na
geometria proposta neste trabalho, foi realizado um estudo da influência dos valores dos
parâmetros l1 e w2 nas variações das frequências de ressonâncias e larguras de banda.
CAPÍTULO 6 – CONCLUSÃO 100
Para sequência deste trabalho, pode-se buscar a utilização de algoritmos para

encontrar equações que regem cada geometria utilizando, por exemplo, algoritmos
genéticos. Propor novas geometrias otimizadas voltadas à aplicações na tecnologia UWB,
RFID chipless etc.
101
Referências Bibliográficas
[1] A. L. P. S, Campos. “Estudo da Flexibilidade de Projetos de Superfícies Seletivas de

Frequência”.!In:!Congresso de Pesquisa e Inovação da Rede Norte-Nordeste de Educação
Tecnológica, [s. n], João Pessoa-PB. Anais do II CONNEPI, 2007.
[2] H. Sung, “Frequency! Selective Wallpaper For Mitigating Indoor Wireless

Interference”, 2006, 202p, M.S. Thesis - The University of Auckland, Auckland, 2006.
[3] M. A. Islam, Y. Yap, N. Karmakar, and A. Azad, “Compact! Printable Orientation

Independent Chipless RFID Tag”, Progress in Eletromagnetics Research C, Vol. 33, 55-
66, September, 2012.
[4] H. Xu et al,!“A Compact And Low-profile Loop Antenna With Six Resonant Modes
For LTE Smartphone”, IEEE Transactions on Antennas and Propagation, Vol. 64, No. 9,
3743-3751, September, 2016.
[5] V. D. Agrawal, W. A. Imbriale, “Design!of a Dichroic Cassegrain Subreflector”,

IEEE Transactions on Antennas and Propagation, Vol. 27, No. 4, 466-473, July, 1979.
[6] A. Pekmezci, T. Ege, “Scattering Characteristics of FSSs With Triangular Conducting

Elements”, Vol. 96, No. 2, 145-155, June, 2014.
[7] J. Jin, “The!Finite Element Method in Electromagnetics”, 3rd Edition, Wiley, 2014.
[8] P. Majumdar et al, “Parametric!Analysis!and!Modeling!of!Jerusalem!cross!Frequency!

Selective Surface”, International Journal of Electromagnetics and Applications 2016,
Vol. 6, No. 1, 13-21, 2016.
[9] S. Haykin, “Redes!Neurais:!Princípios!e!Prática”, 2ª Edição, Bookman, 2008.
[10] J. T. Lo, “Functional! Model of Biological Neural Networks”, Congnitive

Neurodynamics, Vol. 4, No. 4, 295-313, December, 2010.
REFERÊNCIAS BIBLIOGRÁFICAS 102
[11] M. A. Hussain, “Review! of The Applications of Neural Networks in Chemical

Process Control – Simulation and Online Implementation”, Artificial Intelligence in
Engeneering, Vol. 13, No. 1, 55-68, 1999.
[12] F. Amato et al, “Artificial! Neural Networks in Medical Diagnosis”, Journal of

applied biomedicine, Vol. 11, No. 2, 47-58, December, 2013.
[13] A. A. Vieira, “Três! Ensaios Sobre Aplicações de Redes Neurais em Economia”,

2013, 159p, Tese de doutorado - Universidade Federal de Pernambuco, 2013.
[14] M. Y. Rafiq, “Neural!Network Design for Engineering Applications”, Computers &

Structures, Vol. 79, No. 17, 1541-1552, July, 2001.
[15] Q. J. Zhang e C. Gupta, “Artificial Neural Networks for RF and Microwaves Design
– From Theory to Practice”, IEEE Transactions on Microwave Theory and Techniques,
Vol. 51, No. 4, 1339-1350, April, 2003.
[16]!Thomas! D.!Cope,!“The!Rittenhouse!Diffraction! Grating”,!Journal! of! the!Franklin!

Institute, Vol. 214, No. 1, 99-104, 1932.
[17]!R.!Mittra,!C.!H.!Chan,!and!T.!Cwik,!“Techniques for Analyzing Frequency Selective

Surfaces – a!review”, Proc. IEEE, Vol. 76, No. 12, 1593-1615, December, 1988.
[18] T. K. Wu, “Frequency!Selective Surface and Grid Array”, Jonh Wiley & Sons, Nova
York, 1995.
[19] B. A. Munk, “Frequency!Selective!Surfaces!– Theory!and!Design”, John Wiley &

Sons, 2000.
[20] J. A. Reed, “Frequency Selective Surface With Multipole Periodic Elements”, 1997,
87p, Ph. D Dissertation - University of Texas, Texas, 1997.
[21] R. M. S. Cruz, P. H. da Silva, A. G. DÀssunção, “Neuromodeling! Stop Band

Properties of Koch Island Patch Elements for FSS Filter Design”, Microwave and Optical
Technology Letters, Vol. 51, No. 12, 3014-3019, September, 2009.
[22] A. L. P. S. Campos, R. H. C. Maniçoba, A. G. DÀssunção, “Investigation of

Enhancement Band Using Double Screen Frequency Selective Surface with Kock Fractal
Geometry at Millimeter Wave Range”, Journal of Infrared, Milimeter and Terahertz

Waves, Vol. 31, No. 12, 1503-1511, October, 2010.
[23] A. L. P. S. Campos et al, “A Simple Fractal Geometry to Design Multiband

Frequency Selective Surface”, Microwave and Optical Technology Letters, Vol. 54, No.
10, 2321-2325, October, 2012.
[24] E. C. Braz, “Análise! de! Superfície Seletiva em Frequência com Geometria

Multifractal”, 2014, 106p, Tese de Doutorado - Universidade Federal do Rio Grande do
Norte, Natal, 2014.
[25] N. Marcuvitz, “Waveguide!Handbook”, McGraw-Hill, Vol. 19, New York, 457p,

1951.
[26] R. Dubrova et al, “Multi-Frequency and Multi-Layer Frequency Selective Surface

Analysis Using Modal Decomposition Equivalent Circuit Method”, IET Microw.
Antennas Propag, Vol. 30, No. 3, 492-500, April, 2009.
[27] D. S. Weile, E. Michelssen, K. Gallivan, “Reduced-Order Modeling of Multiscreen

Frequency Selective Surfaces Using Klylov-based Rational Interpolation”, IEEE Trans.
Antennas Propag, Vol. 49, No. 5, 801-813, May, 2001.
[28] R. C. O. Moreira, “Antenas! Planares Integradas com FSSs para Aplicações em

Sistemas de Comunicação Sem Fio”, 2012, 69p, Dissertação de Mestrado - Universidade
Federal do Rio Grande do Norte, Natal, 2012.
[29] A. L. P. S. Campos, “Superfície!Seletiva em Frequência:!Análise!e!projeto”. IFRN

Editora, 196p, Natal, 2009.
[30]! J.! P.! Berenger,! “A! Perfectly! Matched! Layer! for Absortion of Electromagnetic
Waves”,!J.!Computational!Physics,!vol.!114,!No.!2,!185-200, October, 1994.
[31] V. P. Silva Neto, “Caracterização!de!Circuitos Planares de Micro-ondas pelo Método

Iterativo das Ondas”, 2013, 105p, Dissertação de Mestrado - Universidade Federal do Rio
Grande do Norte, Natal, 2013.
[32] M. Azizi, H. Aubert, H. Baubrand, “A! New Iterative Method for Scattering
Problems”, Proc. European Microwave Conf., Vol. 1, 255-258, October, 1995.
[33] M. Panda, P. Samaddar, P. P. Sarkar, “Artificial Neural Network for the Analysis
and Design of a Frequency Selective Surface! with! SLITS”, International Journal of
Computer Applications in Engineering Sciences, Vol. 3, No. 2, 81-83, June, 2013.
[34] W. C. Araújo et al,!“A!Bioinspired!Hybrid!Optimization Algorithm for Designing

Broadband!Frequency!Selective!Surfaces”,!Microwave!and!Optical!Technology Letters,
Vol. 56, No. 2, 329-333, February, 2014.
[35] Y. Ranga, L. Matekovits, A. R. Weily and K. P. Esselle, “A!Constant!Gain!Ultra-

Wideband Antenna with a Multi-Layer! Frequency! Selective! Surface”, Progress In
Eletromagnetics Research Letters, Vol. 38, 119-125, March, 2013.
[36] F. C. G. da Silva Segundo, A. L. P. S. Campos and A. Gomes Neto,! “A! Design!

Proposal for Ultrawide Band Frequency Selective Surface”, Journal of Microwaves,
Optoelectronics and Eletromagnetic Applications, Vol. 12, No. 2, 398-409, December,
2013.
[37] B. Sanz-Izquierdo, J. B. Robertson and E. A. Parker, “Wideband! FSS! for!

electromagnetic! architecture! in! buildings”, Applied Physics A Materials Science &
Processing, Vol. 103, No. 3, 771-774, February, 2011.
[38] F. C. G. da Silva Segundo, A. L. P. S. Campos, E. C. Braz, “Wide!Band!Frequency!

Selective!Surface!for!Angular!and!Polarization!Independent!Operation”, Microwave and
Optical Technology Letters, Vol. 57, No. 1, 216-219, January, 2015.
[39] Z. Lu, X. Yan and J. She, “A! Novel! Wideband! Wide-angle Frequency Selective
Surface!Composite!Structure”, PIERS Proceedings, 1922-1925, August, 2014.
[40] P. Kong, et al, “Switchable! Frequency! Selective Surfaces Absorber/Reflector for

Wideband!Applications”, IEEE International Conference on Ultra-Wideband, 256-259,
2014.
[41] F. Costa, and A. Monorchio, “A! Frequency! Selective! Radome! With! Wideband!
Absorbing!Properties”, IEEE Transactions on Antennas and Propagation, Vol. 60, No. 6,
2740-2747, June, 2012.
[42] A. Fallahi, et al, “Thin!Wideband!Radar!Absorbers”, IEEE Transactions on Antennas

and Propagation, Vol. 58, No. 12, 4051-4058, December, 2010.
[43] A. Chatterjee et al, “Theorical! and! Experimental Investigation on a Slot Loaded

Compact Multi-band!Frequency!Selective!Surface”, IJCA Special Issue on International
Conference on Computing, Communication and Sensor Network CCSN2012 (2), 16-18,
March, 2013.
[44] F. Costa, S. Genovesi, A. Monorchio, “Chipless RFID Transponder by using Multi-

resonant High-Impedance! Surface”, 2013 International Symposium on Eletromagnetic
Theory, 401-403, 2013.
[45]!E.!C.!Braz!and!A.!L.!P.!S.!Campos,!“Multiband!Frequency!Selective!Surface!with!a!
Modified Multifractal Cantor!Geometry”,! Journal of Microwaves, Optoelectronics and
Electromagnetic Applications, Vol. 13, No. 2, 111-121, December, 2014.
[46] E. C. Braz and A. L. P. S. Campos, “Dual/Wide! Band! Multifractal! Frequency!

Selective Surface for Applications in S-Band and X-Band”, Microwave and Optical
Technology Letters, Vol. 56, No. 10, 2217-2222, October, 2014.
[47] J.!J.!S.!Fernandez,!“Frequency!Selective!Surface!for!Terahertz!Application”,!2012,
266p, Ph.D. Thesis - The University of Edinburgh, United Kingdom, 2012.
[48] W. Yeo, N. K. Nahar, K. Sertel,! “Far-IR Multiband Dual-Polarization Perfect

Absorber for Wide Incident Angles”,!Microwave and Optical Technology Letters, Vol.
55, No. 3, 632-636, March, 2013.
[49] R. Kruse et al,! “Computational! Intelligence:! A! Methodological! Introduction”,!

London: Springer, 2013.
[50] W. McCulloch and W. Pitts, “A!Logical!Calculus!of!the!Ideas!Immanent!in!Nervous!

Activity”,!Bulletin!of!Mathematical!Biophysics, Vol. 5, No. 4, 115-133, December, 1943.
[51] L. Zadeh, “Fuzzy!Sets”,!Information and Control, Vol. 8, No. 3, 338-353, June, 1965.
[52] T. Bayes, “An! Essay Towards Solving a Problem in the Doctrine of Chances”,
Philosophical Transactions of the Royal Society of London 53, 376-398, 1763.
[53] B. E. Boser, I. M. Guyon and V. N. Vapnik, “A!Trainning!Algortihm!for!Optimal!

Margin!Classifiers”, Proceedings of the 5th Annual ACM Workshop on Computational
Learning Theory. ACM Press, 144-152, July, 1992.
[54] Q. J. Zhang and C. Gupta, “Neural Networks for RF and Microwaves Design”,
Artech House, London, 2000.
[55] P. Kala, R. Saxena et al, “Design!of!Rectangular!Patch!Antenna!using!MLP!Artificial!

Neural!Network”, Journal of Global Research in Computer Science, Vol. 3, No. 5, 11-14,
May, 2012.
[56] D. E. Rumelhart, G. E. Hinton and R. J. Williams, “Learning!Representations! by!

back-propagation!Erros”. Nature, Vol. 323, 533-536, October, 1986.
[57] C. M. Bishop, “Neural! Networks! for! Pattern! Recognition”, Clarendon Press,

Oxford, 1995.
[58] I. N. da Silva, D. H. Spatti e R. A. Flauzino, “Redes! Neurais Artificiais para

Engenharia e Ciências Aplicadas – Curso!prático”. Artliber Editora Ltda., 2010.
[59] J. Park, J. W. Sandberg, “Universal!Approximation Using Radial Basis Functions

Network”, Neural Computation, Vol. 3, No. 2, 246-257, June, 1991.
[60] T. Poggio, F. Girosi, “Networks! for! Approximation and Learning”. Proc. IEEE,
Vol. 78, No. 9, 1481-1497, September, 1990.
[61] P. K. Deshmukh, Y. Gholap, “Efficient!Object!Tracking!Using!K!means!and!Radial!

Basis! Function”, International Journal of Advanced Research in Computer and
Communication Engineering, Vol. 1, No. 1, 27-31, March, 2012.
[62]!H.!W.!C.!Lins,!“Análise!e!Síntese!de!Antenas!e!Superfícies!Seletivas!de!Frequência!
Utilizando Computação Evolucionária e!Inteligência!de!Enxames”. 2012, 89p, Tese de
Doutorado - Universidade Federal do Rio Grande do Norte, Natal, 2012.
[63]!A.!L.!P.!S.!Campos,!A.!M.!Martins,!V.!A.!Almeida!Filho,!“Syntesis!of!Frequency!
Selective Surfaces using Genetic Algorithm combined with the Equivalent Circuit
Method”,! Microwave! and Optical Technology Letters, Vol. 54, No. 8, 1893-1897,
August, 2012.
[64] M. Ohira et al,!“Multiband!Single-Layer Frequency Selective Surface Designed by

Combination of Genetic Algorithm and Geometry-Refinment! Technique”,! IEEE!
Transactions on Antennas and Propagation, Vol 52, No. 11, November, 2004.
[65] W. C. Araújo et al,!“A!Bioinspired!Hybrid!Optimization!Algorithm!for!Designing!

Broadband!Frequency!Selective!Surfaces”,!Microwave!and!Optical!Technology!Letters,!
Vol. 56, No. 2, 329-332, February, 2014.
[66]!M.!R.!Silva,!“Otimização!de!Superfície!Seletiva!de!Frequência!com!Elementos!Pré-
Fractais!Utilizando!Rede!Neural!MLP!e!Algoritmo!de!Busca!Populacional”, 2014, 102p,
Tese de Doutorado - Universidade Federal do Rio Grande do Norte, Natal, 2014.
[67] P. H.!F.!Silva,!R.!M.!S.!Cruz!and!A.!G.!DÀssunção,!“Blending!PSO!and!ANN!for!
Optimal!Design!of!FSS!Filters!With!Koch!Island!Patch!Elements”,!IEEE!Transactions!on!
Magnetics, Vol. 46, No. 8, 3010-3013, August, 2010.
[68] M. R. Silva, C. L. Nóbrega, P. H. F. Silva!and!A.!G.!DÀssunção,!“Optimization!of!

FSS With Sierpinski Island Fractal Elements using Population-based Search Algorithms
and!MLP!Neural!Network”,!Microwave!and!Optical!Technology!Letters, Vol. 56, No. 4,
827-831, April, 2014.
[69] G.! L.! R.! Araújo,! “Método Híbrido para Projeto de Superfície Seletiva de
Frequência”,!2015, 152p, Tese de Doutorado - Universidade Federal do Rio Grande do
Norte, Natal, 2015.
[70] E.!A.!Parker!and!A.!N.!A.!El!Sheikh,!“Convoluted!Array!Elements!and!Reduced!
Size Unit Cells for Frequency-Selective! Surfaces”,! Proc.! Inst. Elect. Eng. Microw.,
Antennas Propag.,Vol. 138, pt. H, 19–22, February, 1991.
[71]!A.!D.!Chuprin,!E.!A.!Parker!and!J.!C.!Batchelor,!“Convoluted!double!square:!single!
layer!FSS!with!close!band!spacings”,!Electronics Letters, Vol. 36, No. 22, 1830-1831,
October, 2000.
108
Apêndice A – Algoritmos MLP e RBF
Neste apêndice são apresentados os passos para implementação da rede neural

artificial MLP treinada com backpropagation e a rede RBF.
A.1. Rede MLP
Figura A.0.1 - Algoritmo de treinamento. Adaptado de [58]

APÊNDICE A – ALGORITMOS MLP E RBF 109
Figura A.0.2 - Algoritmo de operação. Adaptado de [58]
A.2. Rede RBF
Figura A.0.3 - Algoritmo de treinamento não-supervisionado. Adaptado de [58]

APÊNDICE A – ALGORITMOS MLP E RBF 110
Figura A.0.4 - Algoritmo de treinamento supervisionado. Adaptado de [58]
Figura A.0.5 - Fase de operação. Adaptado de [58]

111
Apêndice B – Banco de Dados
ESPIRA QUADRADA
h P d w fr BW
0.8 5 3.5 0.1 16 3
0.8 5 3.5 0.2 17 3.5
0.8 5 3.5 0.3 18 4
0.8 5 3.5 0.4 19.5 5
0.8 5 3.5 0.5 21 5.5
0.8 5 3.5 0.15 16.5 3.5
0.8 5 3.5 0.25 17.5 4
0.8 5 3.5 0.35 19 5
0.8 5 3.5 0.45 20.5 5
0.8 10 6 0.2 10 1.5
0.8 10 6 0.4 11 2
0.8 10 6 0.6 12 2
0.8 10 6 0.8 13 2.5
0.8 10 6 1 14 3
0.8 10 7.5 0.2 7.5 2
0.8 10 7.5 0.4 8.5 2.5
0.8 10 7.5 0.6 9 1
0.8 10 7.5 0.8 9.5 3
0.8 10 7.5 1 10.5 3.5
0.8 15 13 1 4.75 1.75
0.8 15 13 1.5 5.5 2.5
0.8 15 13 2 6.25 3
0.8 15 13 2.5 7.25 3.5
0.8 15 13 3 8.5 4
0.8 15 13 3.5 10 5.75
0.8 15 13 4 11.75 7
0.8 15 13 4.5 14 7
0.8 15 13 5 16.75 10.5
0.8 20 10 0.5 7 1
0.8 20 10 1 8 1
0.8 20 10 1.5 8.5 1.5
0.8 20 10 2 9.5 1
0.8 20 10 2.5 10.5 1.5
0.8 20 10 3 11 1.5
0.8 20 18 0.5 2.5 1
0.8 20 18 1 3.25 1.5
0.8 20 18 1.5 3.5 1.75
0.8 20 18 2 4 2
0.8 20 18 2.5 4.25 2.25
APÊNDICE B – BANCO DE DADOS 112
0.8 20 18 3 4.75 2.75

0.8 20 18 3.5 5.25 3
0.8 20 18 4 6 3.75
0.8 20 18 4.5 6.75 4
0.8 20 18 5 7.5 5
1.2 15 13 1 4.5 1.75
1.2 15 13 1.5 5.25 2.5
1.2 15 13 2 6 2.75
1.2 15 13 2.5 7 3.5
1.2 15 13 3 8 4.25
1.2 15 13 3.5 9.25 4
1.2 15 13 4 11 6.5
1.2 20 18 0.5 2.75 1
1.2 20 18 1 3 1.25
1.2 20 18 1.5 3.25 1.75
1.2 20 18 2 3.75 1.75
1.2 20 18 2.5 4 2.25
1.2 20 18 3 4.5 2.5
1.2 20 18 3.5 5 3
1.2 20 18 4 5.75 3.5
1.2 20 18 4.5 6.25 4
1.2 20 18 5 7.25 4.75
1.6 5 3.5 0.1 15.5 2.5
1.6 5 3.5 0.2 16.5 3
1.6 5 3.5 0.3 17.5 3
1.6 5 3.5 0.4 18.5 3.5
1.6 5 3.5 0.5 20 4
1.6 5 3.5 0.15 16 2.5
1.6 5 3.5 0.25 17 3
1.6 5 3.5 0.35 18 3.5
1.6 5 3.5 0.45 19 3.5
1.6 10 6 0.2 9.5 1.5
1.6 10 6 0.4 10 1.5
1.6 10 6 0.6 11 2
1.6 10 6 0.8 12 2
1.6 10 6 1 12.5 2
1.6 10 7.5 0.2 7 1.5
1.6 10 7.5 0.4 7.5 2
1.6 10 7.5 0.6 8 2.5
1.6 10 7.5 0.8 9 2.5
1.6 10 7.5 1 9.5 2.5
1.6 15 13 1 4.5 1.75
1.6 15 13 1.5 5 2.5
1.6 15 13 2 5.75 2.75
1.6 15 13 2.5 6.5 3.25
1.6 15 13 3 7.5 4
1.6 15 13 3.5 8.75 4.25
1.6 15 13 4 10.5 6.25
1.6 15 13 4.5 12.25 8

1.6 20 10 0.5 6.5 8.5
1.6 20 10 1 7 1
1.6 20 10 1.5 8 1.5
1.6 20 10 2 8.5 1
1.6 20 10 2.5 9 1.5
1.6 20 10 3 9.5 1
1.6 20 18 0.5 2.75 1
1.6 20 18 1 3 1.25
1.6 20 18 1.5 3.25 1.5
1.6 20 18 2 3.5 1.75
1.6 20 18 2.5 4 2.25
1.6 20 18 3 4.25 2.5
1.6 20 18 3.5 4.75 3
1.6 20 18 4 5.5 3.5
1.6 20 18 4.5 6 4
1.6 20 18 5 6.75 4.5
ESPIRA QUADRADA DUPLA

h p d1 d2 w1 w2 fr1 BW1 fr2 BW2
0.8 5 4.5 2.5 0.1 0.1 10 4 23 3
0.8 5 4.5 2.5 0.2 0.2 11 3 25 4
0.8 5 4.5 2.5 0.3 0.3 11 4 27 4
0.8 5 4.5 2.5 0.4 0.4 12 5 30 5
0.8 5 4.5 2.5 0.15 0.15 10 4 24 4
0.8 5 4.5 2.5 0.25 0.25 11 3 26 4
0.8 5 4.5 2.5 0.35 0.35 11 4 29 5
0.8 10 7 5 0.5 0.5 8 1 14.5 3
0.8 10 7 5 0.5 0.25 8 1 13 2.5
0.8 10 7 5 0.25 0.5 7.5 1 14.5 2.5
0.8 10 7 5 0.25 0.25 7.5 1 13 2
0.8 12 9.6 7.2 0.3 0.3 5.5 2.5 9 2
0.8 12 9.6 7.2 0.3 0.6 5.5 1 10 2.5
0.8 12 9.6 7.2 0.6 0.3 5.5 1 9 2.5
0.8 12 9.6 7.2 0.6 0.6 5.5 1 10 2.5
0.8 12 10.2 8 0.3 0.3 4.75 0.75 8 2
0.8 12 10.2 8 0.3 0.6 4.75 1 8.75 2.25
0.8 12 10.2 8 0.6 0.3 5 1 8 2.25
0.8 12 10.2 8 0.6 0.6 5 1 8.75 2.5
0.8 15 13 9 1 1.5 4.25 1 10.25 3
0.8 15 13 9 1 1 4.25 1 9 2.5
0.8 15 13 9 1 2.5 4.25 1 13.25 2.5
0.8 15 13 9 1 2 4.25 1 12 3
0.8 15 13 9 1 3 4.25 1 13.5 1.5
0.8 16 15 12 1.5 1.5 3.25 0.75 6.75 2.5
0.8 16 15 12 1 1 3.25 0.75 6 2
0.8 16 15 12 2.5 2.5 3.25 0.75 8.75 3.25
0.8 16 15 12 2 2 3.25 0.75 7.5 3
0.8 16 15 12 3 3 3.25 0.75 10 2.5

0.8 20 15 8 1.5 1 4.93 1.18 10 1.57
0.8 20 15 8 1 1 4.5 1 10 1.5
0.8 20 15 8 2.5 1 5.5 1 10.5 2.5
0.8 20 15 8 2 1 5 1 10.5 2
0.8 20 15 8 3 1 5.5 1 10.5 2.5
0.8 20 19 15 1 1.5 2.5 0.75 5.25 1.75
0.8 20 19 15 1 1 2.5 0.75 4.75 1.5
0.8 20 19 15 1 2.5 2.5 0.75 6.5 2.5
0.8 20 19 15 1 2 2.5 0.75 5.75 2
0.8 20 19 15 1 3.5 2.5 0.75 7.75 2.75
0.8 20 19 15 1 3 2.5 0.75 7 2.75
0.8 20 19 15 1 4 2.5 0.75 8.5 2.5
0.8 10 7.5 5 0.5 0.5 7.75 1 13.25 2.25
0.8 10 7.5 5 0.5 0.25 3.5 1.25 7.75 1.75
0.8 10 7.5 5 0.25 0.5 7.25 1 14.5 2.5
0.8 10 7.5 5 0.25 0.25 7.25 1 13 2
0.8 10 9.6 5 0.5 0.5 4.5 2 14.25 2.5
0.8 10 9.6 5 0.5 1 4.5 2 17.25 1.75
0.8 10 9.6 5 0.5 1.5 4.5 2 22.25 4.75
0.8 10 9.6 5 0.5 2 4.5 2 23.5 3.75
0.8 10 9.6 5 1.5 0.5 6.25 3.5 14.5 4
0.8 10 9.6 5 1.5 1 6.25 3.5 18.5 6.5
0.8 10 9.6 5 1.5 1.5 6.25 3.5 24 7.5
0.8 10 9.6 5 1.5 2 6.25 3.5 25.25 6
0.8 10 9.6 5 1 0.5 5.25 2.75 14.5 3.25
0.8 10 9.6 5 1 1 5.25 2.75 18 3
0.8 10 9.6 5 1 1.5 5.25 2.75 23.25 5.5
0.8 10 9.6 5 1 2 5.25 2.75 24.5 4.75
0.8 10 9.6 5 2 0.5 7.5 3.75 14.25 5.5
0.8 10 9.6 5 2 1 7.5 3.75 18.75 8.25
0.8 10 9.6 5 2 1.5 7.5 3.75 24.75 10
0.8 10 9.6 5 2 2 7.5 3.75 26 8.5
0.8 12 11.5 7 0.5 0.5 3.75 1.5 10 2
0.8 12 11.5 7 0.5 1 3.75 1.5 12 2.75
0.8 12 11.5 7 0.5 1.5 3.75 1.5 14 2.25
0.8 12 11.5 7 0.5 2 3.75 1.5 17.75 4.5
0.8 12 11.5 7 1.5 0.5 4.75 2.25 9.75 3
0.8 12 11.5 7 1.5 1 4.75 2.25 12 4
0.8 12 11.5 7 1.5 1.5 4.75 2.25 18.5 7.25
0.8 12 11.5 7 1.5 2 4.75 2.25 18.5 7.25
0.8 12 11.5 7 1 0.5 4.25 1.75 10 2.5
0.8 12 11.5 7 1 1 2.25 1.75 12 3.5
0.8 12 11.5 7 1 1.5 4.25 1.75 14.5 3.5
0.8 12 11.5 7 1 2 4.25 1.75 18.25 4.25
0.8 12 11.5 7 2 0.5 5.5 2.25 9.5 3.75
0.8 12 11.5 7 2 1 5.5 2.25 11.75 5
0.8 12 11.5 7 2 1.5 5.5 2.25 14.5 6
0.8 12 11.5 7 2 2 5.5 2.25 18.5 8.75

0.8 12 11.5 8 0.3 0.3 3.5 1.25 7.75 1.75
0.8 12 11.5 8 0.3 0.6 3.5 1.25 8.75 2
0.8 12 11.5 8 0.6 0.3 3.75 1.5 7.75 1.75
0.8 12 11.5 8 0.6 0.6 3.75 1.5 8.75 2.25
0.8 15 13 6.5 2.5 1 6.25 2 13.5 3.75
0.8 15 13 6.5 2.5 1.5 6.25 2 16.5 5.25
0.8 15 13 6.5 2.5 2 6.25 2 18.25 5.5
0.8 15 13 6.5 2.5 2.5 6.25 2 20 6.25
0.8 15 13 6.5 2.5 3 6.25 2 20 6.25
0.8 15 13 6.5 3 1 6.75 1.75 12.25 4.5
0.8 15 13 6.5 3 1.5 6.75 1.75 14.5 6
0.8 15 13 6.5 3 2 6.75 1.75 17.5 6.5
0.8 15 13 6.5 3 2.5 6.75 1.75 18.75 6.25
0.8 15 13 6.5 3 3 6.75 1.75 19.25 6
0.8 15 13 6.5 1.5 1 5.25 1.75 13.25 2.5
0.8 15 13 6.5 1.5 1.5 5.25 1.75 16.25 2.75
0.8 15 13 6.5 1.5 2 5.25 1.75 17.75 3.75
0.8 15 13 6.5 1.5 2.5 5.25 1.75 18.75 3.5
0.8 15 13 6.5 1.5 3 5.25 1.75 18.75 3.25
0.8 15 13 6.5 2 1 5.75 1.75 13.5 3.25
0.8 15 13 6.5 2 1.5 5.75 1.75 16.5 4.5
0.8 15 13 6.5 2 2 5.75 1.75 18.25 4.75
0.8 15 13 6.5 2 2.5 5.75 1.75 19 3.75
0.8 15 13 6.5 2 3 5.75 1.75 19 3.5
0.8 20 15 8 1.5 0.5 4.75 1 9 1
0.8 20 15 8 1.5 1.5 4.75 1 11.5 1.75
0.8 20 15 8 1 0.5 4.5 0.75 9 1.25
0.8 20 15 8 2.5 0.5 5.5 0.75 9.25 2.25
0.8 20 15 8 2.5 1.5 5.5 0.75 11.5 2.25
0.8 20 15 8 2.5 2 5.5 0.75 12.5 2
0.8 20 15 8 2.5 2.5 5.5 1 12.75 1.75
0.8 20 15 8 2 0.5 5.25 0.75 9 1.75
0.8 20 15 8 2 1.5 5.25 0.75 11.5 2.25
0.8 20 15 8 3 0.5 5.75 0.75 9.25 2.5
0.8 20 15 8 3 1 5.75 0.75 10.25 2.75
0.8 20 15 8 3 1.5 5.75 0.75 11.5 3
0.8 20 15 8 3 2 5.75 0.75 12.5 2.75
0.8 20 15 8 3 2.5 5.75 0.75 12.75 2
0.8 20 15 8 3 3 5.75 0.75 13 3.25
1.2 12 10.2 8 0.3 0.3 4.75 0.75 7.5 1.75
1.2 12 10.2 8 0.3 0.6 4.75 0.75 8.25 2.25
1.2 12 10.2 8 0.6 0.3 5 0.75 7.5 2
1.2 12 10.2 8 0.6 0.6 5 0.75 8.25 2.25
1.2 15 13 9 1 1.5 4.25 1 9.75 2.75
1.2 15 13 9 1 1 4.25 1 8.5 2.25
1.2 15 13 9 1 2.5 4.25 1 12.5 2.5
1.2 15 13 9 1 2 4.25 1 11.25 3.25
1.2 15 13 9 1 3 4.25 1 12.75 1.5

1.2 16 15 12 1 1.5 3 1 6.25 2.25
1.2 16 15 12 1 1 3 1 5.5 2
1.2 16 15 12 1 2.5 3 1 8.25 3.5
1.2 16 15 12 1 2 3 1 7.25 2.75
1.2 16 15 12 1 3 3 1 9.5 3
1.2 20 15 8 1.5 1 4.53 0.78 9.64 1.57
1.2 20 15 8 1 1 4 1 9.5 1
1.2 20 15 8 2.5 1 5 1 9.5 2
1.2 20 15 8 2 1 5 1 9.5 2
1.2 20 15 8 3 1 5.5 1 9.5 2.5
1.2 20 19 15 1 1.5 2.25 0.75 5 1.5
1.2 20 19 15 1 1 2.25 1 4.5 1.5
1.2 20 19 15 1 2.5 2.25 0.75 6 2.25
1.2 20 19 15 1 2 2.25 0.75 5.5 2
1.2 20 19 15 1 3.5 2.25 0.75 7.5 2.75
1.2 20 19 15 1 3 2.25 0.75 6.75 2.75
1.2 20 19 15 1 4 2.25 0.75 8 2.5
1.2 10 7.5 5 0.5 0.5 7.5 1.25 12.5 2.25
1.2 10 7.5 5 0.5 0.25 3.5 1.25 7.5 1.5
1.2 10 7.5 5 0.25 0.5 7 1 13.75 2.25
1.2 10 7.5 5 0.25 0.25 7 1 12.25 2
1.2 10 9.6 5 0.5 0.5 4.5 2.25 13.5 2.25
1.2 10 9.6 5 0.5 1 4.5 2 16.25 2
1.2 10 9.6 5 0.5 1.5 4.5 2 20.75 4.25
1.2 10 9.6 5 0.5 2 4.5 2 22.25 4.75
1.2 10 9.6 5 1.5 0.5 6 3.5 13.75 3.5
1.2 10 9.6 5 1.5 1 6 3.5 17.25 4
1.2 10 9.6 5 1.5 1.5 6 3.5 22.25 6.25
1.2 10 9.6 5 1.5 2 6 3.5 23.75 5.75
1.2 10 9.6 5 1 0.5 5.25 2.75 13.75 2.75
1.2 10 9.6 5 1 1 5.25 2.75 17 3
1.2 10 9.6 5 1 1.5 5.25 2.75 21.5 4.25
1.2 10 9.6 5 1 2 5.25 2.75 23 5.25
1.2 10 9.6 5 2 0.5 7.25 4 13.75 4.5
1.2 10 9.6 5 2 1 7.25 3.75 17.5 6.75
1.2 10 9.6 5 2 1.5 7.25 3.75 22.5 8.25
1.2 10 9.6 5 2 2 7.25 3.75 24.5 8
1.2 12 11.5 7 0.5 0.5 3.5 1.5 9.5 2
1.2 12 11.5 7 0.5 1 3.5 1.5 11.25 2.75
1.2 12 11.5 7 0.5 1.5 3.5 1.5 13.25 2.5
1.2 12 11.5 7 0.5 2 3.5 1.5 14 1.25
1.2 12 11.5 7 1.5 0.5 4.75 2.25 9.25 3
1.2 12 11.5 7 1.5 1 4.75 2.25 11.25 3.5
1.2 12 11.5 7 1.5 1.5 4.75 2.25 17.25 6.75
1.2 12 11.5 7 1.5 2 4.75 2.25 17.25 6.75
1.2 12 11.5 7 1 0.5 4 2 9.5 2.5
1.2 12 11.5 7 1 1 4 2 11.25 3
1.2 12 11.5 7 1 1.5 4 2 13.5 3.5

1.2 12 11.5 7 1 2 4 2 14.75 2.25
1.2 12 11.5 7 2 0.5 5.25 2.5 9 3.25
1.2 12 11.5 7 2 1 5.25 2.5 11.25 4.5
1.2 12 11.5 7 2 1.5 5.25 2.5 13.75 5.5
1.2 12 11.5 7 2 2 5.25 2.5 17.5 8
1.2 12 11.5 8 0.3 0.3 3.5 1.25 7.5 1.5
1.2 12 11.5 8 0.3 0.6 3.5 1.25 8.25 2
1.2 12 11.5 8 0.6 0.3 3.75 1.5 7.5 1.75
1.2 12 11.5 8 0.6 0.6 3.75 1.5 8.25 2.25
1.2 15 13 6.5 1.5 1 5 1.5 12.5 2.25
1.2 15 13 6.5 1.5 2 5 1.5 16.75 3.5
1.2 15 13 6.5 3 1 6.5 1.75 11.5 4
1.2 15 13 6.5 3 1.5 6.5 1.75 13.75 5.5
1.2 15 13 6.5 3 2 6.5 1.75 11.5 4
1.2 15 13 6.5 3 2.5 6.5 1.75 17.75 6
1.2 15 13 6.5 3 3 6.5 1.75 18.25 6
1.2 20 15 8 1.5 0.5 4.5 1 8.5 1.5
1.2 20 15 8 1.5 1.5 4.5 1 10.75 1.75
1.2 20 15 8 1 0.5 4.25 0.75 8.5 1.25
1.2 20 15 8 2.5 0.5 5.25 0.75 8.75 1.75
1.2 20 15 8 2.5 1 5.25 0.75 9.75 2.25
1.2 20 15 8 2.5 1.5 5.25 0.75 11 2.25
1.2 20 15 8 2.5 2 5.25 0.75 11.75 2
1.2 20 15 8 2.5 2.5 5.25 0.75 12 1.5
1.2 20 15 8 2 2 5 1 11.75 1.5
1.2 20 15 8 3 0.5 5.5 0.75 8.75 2.25
1.6 5 4.5 2.5 0.1 0.1 10 3 22 3
1.6 5 4.5 2.5 0.2 0.2 11 3 25 4
1.6 5 4.5 2.5 0.3 0.3 11 3 26 4
1.6 5 4.5 2.5 0.4 0.4 12 5 30 5
1.6 5 4.5 2.5 0.15 0.15 10 3 23 3
1.6 5 4.5 2.5 0.25 0.25 11 3 25 3
1.6 5 4.5 2.5 0.35 0.35 11 4 27 5
1.6 10 7 5 0.5 0.5 8 1 13 2
1.6 10 7 5 0.5 0.25 8 1 12 2
1.6 10 7 5 0.25 0.5 7.5 1 13 2
1.6 10 7 5 0.25 0.25 7.5 1 12 2
1.6 12 9.6 7.2 0.3 0.3 5 1 8.5 1.5
1.6 12 9.6 7.2 0.3 0.6 5 1 9 2
1.6 12 9.6 7.2 0.6 0.3 5.5 1 8.5 2
1.6 12 9.6 7.2 0.6 0.6 5.5 1 9 2.5
1.6 12 10.2 8 0.3 0.3 4.75 0.75 7.25 1.75
1.6 12 10.2 8 0.3 0.6 4.75 0.75 8 2
1.6 12 10.2 8 0.6 0.3 5 1 7.25 1.75
1.6 12 10.2 8 0.6 0.6 5 1 8 2
1.6 15 13 9 1 1.5 4 1 9.25 2.75
1.6 15 13 9 1 1 4 1 8 2
1.6 15 13 9 1 2.5 4 1 12 2.5

1.6 15 13 9 1 2 4 1 10.75 2.75
1.6 15 13 9 1 3 4 1 12.25 1.75
1.6 16 15 12 1 1.5 3 1 6 2.25
1.6 16 15 12 1 1 3 1 5.25 1.75
1.6 16 15 12 1 2.5 3 1 8 3.25
1.6 16 15 12 1 2 3 1 6.75 2.75
1.6 16 15 12 1 3 3 1 9 3.25
1.6 20 15 8 1.5 1 4.5 1 9 1.5
1.6 20 15 8 1 1 4 1 9 1
1.6 20 15 8 2.5 1 5 1 9.5 2
1.6 20 15 8 2 1 4.5 1 9.5 1.5
1.6 20 15 8 3 1 5 1 9.5 2.5
1.6 20 19 15 1 1.5 2.25 0.75 4.75 1.5
1.6 20 19 15 1 1 2.25 0.75 4.25 1.25
1.6 20 19 15 1 2.5 2.25 0.75 5.75 2.25
1.6 20 19 15 1 2 2.25 0.75 5.25 2
1.6 20 19 15 1 3.5 2.25 0.75 7 2.75
1.6 20 19 15 1 3 2.25 0.75 6.5 2.5
1.6 20 19 15 1 4 2.25 0.75 7.75 2.75
1.6 10 7.5 5 0.5 0.5 7.25 1.25 12 2
1.6 10 7.5 5 0.5 0.25 7.25 1.5 22.25 0.5
1.6 10 7.5 5 0.25 0.5 7 1 13.25 2
1.6 10 7.5 5 0.25 0.25 7 1 12 1.75
1.6 10 9.6 5 1 0.5 5 2.75 13.25 2.25
1.6 10 9.6 5 1 1.5 5 2.75 17.5 1
1.6 10 9.6 5 2 0.5 7 3.75 13.25 3.75
1.6 10 9.6 5 2 1 7 3.75 16.75 4.75
1.6 10 9.6 5 2 1.5 7 3.75 21 5.75
1.6 10 9.6 5 2 2 7 3.75 22.25 4.25
1.6 12 11.5 6.5 1.5 1 4.75 1.75 11.75 2
1.6 12 11.5 6.5 1.5 1.5 4.75 1.75 13 1.5
1.6 12 11.5 6.5 1.5 2 4.75 1.75 15.75 2.75
1.6 12 11.5 6.5 1.5 3 4.75 1.75 16.75 2.75
1.6 12 11.5 7 0.5 0.5 3.5 1.5 9 1.75
1.6 12 11.5 7 0.5 1 3.5 1.5 10.75 2.5
1.6 12 11.5 7 0.5 1.5 3.5 1.5 12.5 2.5
1.6 12 11.5 7 0.5 2 3.5 1.5 13.5 1.5
1.6 12 11.5 7 1.5 0.5 4.5 2.25 9 2.5
1.6 12 11.5 7 1.5 1 4.5 2.25 11 3.5
1.6 12 11.5 7 1.5 1.5 4.5 2.25 16.5 6
1.6 12 11.5 7 1.5 2 4.5 2.25 16.5 6
1.6 12 11.5 7 1 0.5 4 2 9 2.25
1.6 12 11.5 7 1 1 4 1.75 11 3
1.6 12 11.5 7 1 1.5 4 1.75 13 3.25
1.6 12 11.5 7 1 2 4 1.75 14.25 2.25
1.6 12 11.5 7 2 0.5 5.25 2.5 8.75 3
1.6 12 11.5 7 2 1 5.25 2.5 10.75 4
1.6 12 11.5 7 2 1.5 5.25 2.5 13 5

1.6 12 11.5 7 2 2 5.25 2.5 16.5 6.75
1.6 12 11.5 8 0.3 0.3 3.5 1.25 7.25 1.5
1.6 12 11.5 8 0.3 0.6 3.5 1.25 8 2
1.6 12 11.5 8 0.6 0.3 3.75 1.5 7.25 1.5
1.6 12 11.5 8 0.6 0.6 3.75 1.5 8 2
1.6 15 13 6.5 1.5 2.5 4.75 1.75 16.5 3
1.6 15 13 6.5 2.5 1 5.75 2 12 3
1.6 15 13 6.5 2.5 2 5.75 2 16 4.25
1.6 10 9.6 5 0.5 0.5 4.25 2 13 2
1.6 10 9.6 5 0.5 1 4.25 2 15.75 1.75
1.6 10 9.6 5 0.5 1.5 4.25 2 19.5 3.25
1.6 10 9.6 5 0.5 2 4.25 2 21.25 3.5
1.6 10 9.6 5 1.5 0.5 6 3.25 13.25 3
1.6 10 9.6 5 1.5 1 6 3.25 16.5 3.5
1.6 10 9.6 5 1.5 1.5 6 3.25 18 1.5
1.6 10 9.6 5 1.5 2 6 3.25 22 3.75
1.6 10 9.6 5 1 1 5 2.75 16.25 2.5
1.6 10 9.6 5 1 2 5 2.75 21.75 3.75
CRUZ DE JERUSALÉM
hd p D w h g fr1 w1 fr2 w2
0.8 10 7 0.1 0.2 0.21 3.25 1.25 13.75 1.5
0.8 10 7 0.2 0.2 0.21 3.75 1.25 13.75 1.5
0.8 10 7 0.2 0.3 0.21 3.5 1.25 14 1.75
0.8 10 7 0.3 0.2 0.21 3.75 1.25 13.75 1.75
0.8 10 7 0.5 0.3 0.21 4 1.5 14.25 2.25
0.8 10 7 0.8 0.3 0.21 4.5 2 14.5 2.5
0.8 10 7 0.9 0.4 0.21 4.5 2 15 2.75
0.8 10 7 0.15 0.2 0.21 3.5 1 13.75 1.5
0.8 10 7 0.25 0.2 0.21 3.75 1.5 13.75 1.75
0.8 10 7 0.35 0.3 0.21 3.75 1.5 14 2
0.8 10 7 0.65 0.3 0.21 4.25 1.5 14.25 2.25
0.8 10 7 1.1 0.4 0.21 4.75 2 15.25 3.25
0.8 10 7 1.3 0.4 0.21 5 2.5 15.5 3.5
0.8 10 7 1.5 0.4 0.21 5.25 2.5 16 3.5
0.8 10 7 1.7 0.4 0.21 5.55 2.8 16.4 3.85
0.8 12 9.6 0.5 0.3 0.21 3.1 1.2 10.6 1.95
0.8 12 9.6 0.15 0.2 0.21 2.65 0.9 10.3 1.5
0.8 12 9.6 0.25 0.2 0.21 2.8 1.05 10.45 1.65
0.8 12 9.6 0.35 0.2 0.21 2.95 1.05 10.45 1.5
0.8 12 9.6 0.45 0.2 0.21 3.1 1.2 10.45 1.65
0.8 12 9.6 0.55 0.2 0.21 3.25 1.35 10.45 1.65
0.8 12 9.6 0.75 0.3 0.21 3.25 1.35 10.75 2.25
0.8 12 9.6 1.5 0.3 0.21 3.85 1.8 11.5 2.7
0.8 12 9.6 1.5 0.4 0.21 3.85 1.95 11.5 3
0.8 12 9.6 1.25 0.3 0.21 3.7 1.8 11.2 2.55

0.8 12 9.6 1.75 0.4 0.21 4 1.95 11.8 3.15
0.8 12 9.6 1 0.3 0.21 3.4 1.5 10.9 2.25
0.8 12 9.6 2.5 0.4 0.21 4.6 2.55 12.85 3.9
0.8 12 9.6 2.25 0.4 0.21 4.45 2.4 12.4 3.6
0.8 12 9.6 2 0.4 0.21 4.15 2.1 12.1 3.45
0.8 20 15 0.5 0.2 0.21 1.75 0.62 6.87 0.87
0.8 20 15 0.8 0.2 0.21 1.87 0.75 7 0.75
0.8 20 15 1.2 0.2 0.21 2.12 0.87 7.12 0.87
0.8 20 15 1.4 0.2 0.21 2.12 0.87 7.12 0.87
0.8 20 15 1.4 0.3 0.21 2.12 0.87 7.25 1.12
0.8 20 15 1.6 0.3 0.21 2.12 1 7.37 1
0.8 20 15 1.8 0.3 0.21 2.25 1 7.37 1.12
0.8 20 15 1 0.2 0.21 2 0.87 7.12 0.87
0.8 20 15 2.2 0.3 0.21 2.37 1.12 7.5 1.25
0.8 20 15 2.3 0.4 0.21 2.25 1.12 7.62 1.37
0.8 20 15 2.5 0.4 0.21 2.37 1.25 7.75 1.37
0.8 20 15 2.8 0.4 0.21 2.5 1.25 7.87 1.5
0.8 20 15 2 0.3 0.21 2.25 1.12 7.5 1.12
0.8 20 15 3.1 0.4 0.21 2.5 1.37 8 1.62
0.8 20 15 3.4 0.4 0.21 2.62 1.5 8.12 1.62
0.8 12 10.2 0.1 0.2 0.21 2.5 0.9 9.7 1.5
0.8 12 10.2 0.4 0.2 0.21 2.95 1.2 9.85 1.8
0.8 12 10.2 0.7 0.2 0.21 3.25 1.35 10 1.95
0.8 12 10.2 0.25 0.2 0.21 2.8 0.9 9.7 1.65
0.8 12 10.2 0.55 0.2 0.21 3.1 1.2 9.85 1.95
0.8 12 10.2 0.85 0.3 0.21 3.25 1.35 10.15 2.4
0.8 12 10.2 1.3 0.3 0.21 3.55 1.65 10.6 2.85
0.8 12 10.2 1.6 0.4 0.21 3.7 1.8 10.9 3.3
0.8 12 10.2 1.9 0.4 0.21 4 1.95 11.35 3.6
0.8 12 10.2 1.15 0.3 0.21 3.55 1.65 10.45 2.55
0.8 12 10.2 1.45 0.3 0.21 3.7 1.8 10.75 2.85
0.8 12 10.2 1.75 0.4 0.21 3.85 1.95 11.05 3.45
0.8 12 10.2 1 0.3 0.21 3.4 1.35 10.3 2.55
0.8 12 10.2 2.2 0.4 0.21 4.15 2.1 11.65 3.75
0.8 12 10.2 2.05 0.4 0.21 4.15 2.1 11.5 3.75
0.8 15 13 0.5 0.2 0.21 2.35 0.9 7.9 1.35
0.8 15 13 0.25 0.2 0.21 2.05 0.75 7.75 1.35
0.8 15 13 0.75 0.2 0.21 2.5 0.9 7.9 1.5
0.8 15 13 0.95 0.2 0.21 2.65 1.05 8.05 1.5
0.8 15 13 1.2 0.2 0.21 2.8 1.35 8.2 1.65
0.8 15 13 1.4 0.3 0.21 2.8 1.35 8.35 1.95
0.8 15 13 1.9 0.3 0.21 2.95 1.5 8.65 2.25
0.8 15 13 1.65 0.3 0.21 2.8 1.35 8.5 2.1
0.8 15 13 2.2 0.3 0.21 3.1 1.5 8.8 2.4
0.8 15 13 2.45 0.3 0.21 3.25 1.65 8.95 2.55
0.8 15 13 2.55 0.4 0.21 3.25 1.65 9.1 2.85
0.8 15 13 2.75 0.4 0.21 3.4 1.8 9.25 3
0.8 15 13 2.95 0.4 0.21 3.4 1.95 9.4 3

0.8 15 13 3.15 0.4 0.21 3.55 1.95 9.55 3.15
0.8 15 13 3.35 0.4 0.21 3.7 2.1 9.7 3.3
0.8 16 15 0.5 0.2 0.21 2.12 0.87 6.62 1.37
0.8 16 15 0.8 0.2 0.21 2.25 0.87 6.75 1.62
0.8 16 15 1.1 0.2 0.21 2.37 1 6.87 1.62
0.8 16 15 1.4 0.2 0.21 2.5 1 7 1.75
0.8 16 15 1.7 0.2 0.21 2.62 1.25 7.12 2
0.8 16 15 2.3 0.3 0.21 2.75 1.37 7.37 2.37
0.8 16 15 2.6 0.3 0.21 2.87 1.37 7.62 2.5
0.8 16 15 2.9 0.3 0.21 3 1.5 7.37 2.75
0.8 16 15 2 0.3 0.21 2.62 1.25 7.25 2.37
0.8 16 15 3.2 0.3 0.21 3.12 1.62 7.87 2.87
0.8 16 15 3.5 0.35 0.21 3.25 1.62 8.12 3.25
0.8 16 15 3.8 0.35 0.21 3.37 1.75 8.37 3.37
0.8 16 15 4.1 0.35 0.21 3.5 1.87 8.5 3.5
0.8 16 15 4.4 0.35 0.21 3.62 2 8.75 3.5
0.8 16 15 4.7 0.35 0.21 3.75 2.12 9 3.62
1.2 10 7 0.1 0.2 0.21 3.25 1 13.25 1.5
1.2 10 7 0.2 0.2 0.21 3.5 1.25 13.25 1.5
1.2 10 7 0.2 0.3 0.21 3.5 1.25 13.25 1.75
1.2 10 7 0.3 0.2 0.21 3.75 1.25 13.25 1.5
1.2 10 7 0.5 0.3 0.21 4 1.5 13.5 2
1.2 10 7 0.8 0.3 0.21 4.5 1.75 14 2.25
1.2 10 7 0.9 0.4 0.21 4.5 2 14.25 2.75
1.2 10 7 0.15 0.2 0.21 3.5 1 13.25 1.25
1.2 10 7 0.25 0.2 0.21 3.75 1.25 13.25 1.5
1.2 10 7 0.35 0.3 0.21 3.75 1.5 13.25 2
1.2 10 7 0.65 0.3 0.21 4.25 1.75 13.75 2.25
1.2 10 7 1.1 0.4 0.21 4.75 2.25 14.5 2.75
1.2 10 7 1.3 0.4 0.21 5 2.25 14.75 3
1.2 10 7 1.5 0.4 0.21 5.25 2.5 15.25 3.25
1.2 10 7 1.7 0.4 0.21 5.55 2.8 15.7 3.5
1.2 12 9.6 0.5 0.3 0.21 2.95 1.2 10.15 1.8
1.2 12 9.6 0.15 0.2 0.21 2.65 0.9 9.85 1.5
1.2 12 9.6 0.25 0.2 0.21 2.8 0.9 10 1.35
1.2 12 9.6 0.35 0.2 0.21 2.95 1.2 10 1.5
1.2 12 9.6 0.45 0.2 0.21 3.1 1.2 10 1.5
1.2 12 9.6 0.55 0.2 0.21 3.1 1.2 10 1.65
1.2 12 9.6 0.75 0.3 0.21 3.25 1.35 10.3 1.95
1.2 12 9.6 1.5 0.3 0.21 3.85 1.8 10.9 2.55
1.2 12 9.6 1.5 0.4 0.21 3.7 1.8 11.05 2.85
1.2 12 9.6 1.25 0.3 0.21 3.7 1.65 10.75 2.25
1.2 12 9.6 1.75 0.4 0.21 4 1.95 11.2 3
1.2 12 9.6 1 0.3 0.21 3.4 1.5 10.45 2.1
1.2 12 9.6 2.5 0.4 0.21 4.6 2.4 12.25 3.6
1.2 12 9.6 2.25 0.4 0.21 4.3 2.25 11.8 3.45
1.2 12 9.6 2 0.4 0.21 4.15 2.1 11.5 3.15
1.2 20 15 0.5 0.2 0.21 1.75 0.62 6.62 0.75

1.2 20 15 0.8 0.2 0.21 1.87 0.75 6.62 0.87
1.2 20 15 1.2 0.2 0.21 2 0.87 6.75 0.87
1.2 20 15 1.4 0.2 0.21 2.12 1 6.87 1
1.2 20 15 1.4 0.3 0.21 2 0.87 6.87 1
1.2 20 15 1.6 0.3 0.21 2.12 1 7 1
1.2 20 15 1.8 0.3 0.21 2.12 1.12 7 1.12
1.2 20 15 1 0.2 0.21 2 0.75 6.75 0.75
1.2 20 15 2.2 0.3 0.21 2.25 1.12 7.12 1.12
1.2 20 15 2.3 0.4 0.21 2.25 1.12 7.25 1.37
1.2 20 15 2.5 0.4 0.21 2.37 1.25 7.37 1.37
1.2 20 15 2.8 0.4 0.21 2.37 1.25 7.5 1.5
1.2 20 15 2 0.3 0.21 2.25 1 7.12 1.12
1.2 20 15 3.1 0.4 0.21 2.5 1.37 7.62 1.5
1.2 20 15 3.4 0.4 0.21 2.62 1.37 7.75 1.62
1.2 12 10.2 0.1 0.2 0.21 2.5 0.9 9.25 1.5
1.2 12 10.2 0.4 0.2 0.21 2.95 1.05 9.4 1.65
1.2 12 10.2 0.7 0.2 0.21 3.25 1.35 9.55 1.95
1.2 12 10.2 0.25 0.2 0.21 2.8 1.05 9.4 1.65
1.2 12 10.2 0.55 0.2 0.21 3.1 1.2 9.4 1.65
1.2 12 10.2 0.85 0.3 0.21 3.25 1.35 9.7 2.25
1.2 12 10.2 1.3 0.3 0.21 3.55 1.65 10.15 2.7
1.2 12 10.2 1.6 0.4 0.21 3.7 1.65 10.45 3
1.2 12 10.2 1.9 0.4 0.21 3.85 1.95 10.75 3.3
1.2 12 10.2 1.15 0.3 0.21 3.4 1.5 10 2.4
1.2 12 10.2 1.45 0.3 0.21 3.7 1.65 10.3 2.7
1.2 12 10.2 1.75 0.4 0.21 3.85 1.8 10.6 3.3
1.2 12 10.2 1 0.3 0.21 3.25 1.5 9.85 2.4
1.2 12 10.2 2.2 0.4 0.21 4.15 2.1 11.05 3.6
1.2 12 10.2 2.05 0.4 0.21 4 1.95 10.9 3.45
1.2 15 13 0.5 0.2 0.21 2.35 0.9 7.45 1.35
1.2 15 13 0.25 0.2 0.21 2.05 0.75 7.45 1.2
1.2 15 13 0.75 0.2 0.21 2.5 1.05 7.6 1.35
1.2 15 13 0.95 0.2 0.21 2.5 1.05 7.6 1.5
1.2 15 13 1.2 0.2 0.21 2.65 1.2 7.75 1.65
1.2 15 13 1.4 0.3 0.21 2.65 1.35 7.9 1.95
1.2 15 13 1.9 0.3 0.21 2.95 1.5 8.2 2.25
1.2 15 13 1.65 0.3 0.21 2.8 1.5 8.05 1.95
1.2 15 13 2.2 0.3 0.21 3.1 1.65 8.35 2.25
1.2 15 13 2.45 0.3 0.21 3.25 1.65 8.5 2.4
1.2 15 13 2.55 0.4 0.21 3.25 1.8 8.65 2.7
1.2 15 13 2.75 0.4 0.21 3.25 1.8 8.8 2.85
1.2 15 13 2.95 0.4 0.21 3.4 1.8 8.95 2.85
1.2 15 13 3.15 0.4 0.21 3.4 1.95 9.1 3.15
1.2 15 13 3.35 0.4 0.21 3.55 1.95 9.25 3.15
1.2 16 15 0.5 0.2 0.21 2 0.87 6.37 1.37
1.2 16 15 0.8 0.2 0.21 2.25 0.87 6.5 1.5
1.2 16 15 1.1 0.2 0.21 2.37 1 6.5 1.5
1.2 16 15 1.4 0.2 0.21 2.5 1.12 6.62 1.75

1.2 16 15 1.7 0.2 0.21 2.62 1.12 6.87 1.87
1.2 16 15 2.3 0.3 0.21 2.75 1.37 7.12 2.37
1.2 16 15 2.6 0.3 0.21 2.87 1.5 7.25 2.5
1.2 16 15 2.9 0.3 0.21 2.87 1.37 7.12 2.62
1.2 16 15 2 0.3 0.21 2.62 1.25 7 2.25
1.2 16 15 3.2 0.3 0.21 3.12 1.62 7.62 2.87
1.2 16 15 3.5 0.35 0.21 3.12 1.75 7.75 3
1.2 16 15 3.8 0.35 0.21 3.25 1.75 8 3.12
1.2 16 15 4.1 0.35 0.21 3.37 1.87 8.12 3.37
1.2 16 15 4.4 0.35 0.21 3.5 1.87 8.37 3.5
1.2 16 15 4.7 0.35 0.21 3.62 2.12 8.62 3.62
1.6 10 7 0.1 0.2 0.21 3.25 1 12.75 1.5
1.6 10 7 0.2 0.2 0.21 3.5 1.25 13 1.25
1.6 10 7 0.2 0.3 0.21 3.5 1.25 13 1.5
1.6 10 7 0.3 0.2 0.21 3.75 1.5 13 1.25
1.6 10 7 0.5 0.3 0.21 4 1.5 13.25 1.75
1.6 10 7 0.8 0.3 0.21 4.5 1.75 13.5 2
1.6 10 7 0.9 0.4 0.21 4.5 1.75 13.75 2.25
1.6 10 7 0.15 0.2 0.21 3.5 1 12.75 1.25
1.6 10 7 0.25 0.2 0.21 3.75 1.25 13 1.25
1.6 10 7 0.35 0.3 0.21 3.75 1.5 13 1.75
1.6 10 7 0.65 0.3 0.21 4.25 1.75 13.25 2
1.6 10 7 1.1 0.4 0.21 4.75 2 14 2.25
1.6 10 7 1.3 0.4 0.21 5 2.25 14.5 2.5
1.6 10 7 1.5 0.4 0.21 5.25 2.5 14.75 2.75
1.6 10 7 1.7 0.4 0.21 5.55 2.8 15 2.8
1.6 12 9.6 0.5 0.3 0.21 2.95 1.2 9.85 1.65
1.6 12 9.6 0.15 0.2 0.21 2.65 0.9 9.7 1.35
1.6 12 9.6 0.25 0.2 0.21 2.8 0.9 9.7 1.35
1.6 12 9.6 0.35 0.2 0.21 2.95 1.05 9.7 1.5
1.6 12 9.6 0.45 0.2 0.21 3.1 1.05 9.7 1.5
1.6 12 9.6 0.55 0.2 0.21 3.1 1.2 9.85 1.5
1.6 12 9.6 0.75 0.3 0.21 3.25 1.35 10 1.8
1.6 12 9.6 1.5 0.3 0.21 3.85 1.8 10.6 2.4
1.6 12 9.6 1.5 0.4 0.21 3.7 1.8 10.75 2.55
1.6 12 9.6 1.25 0.3 0.21 3.7 1.65 10.45 2.25
1.6 12 9.6 1.75 0.4 0.21 3.85 1.95 10.9 2.7
1.6 12 9.6 1 0.3 0.21 3.4 1.5 10.15 1.95
1.6 12 9.6 2.5 0.4 0.21 4.45 2.4 11.8 3.45
1.6 12 9.6 2.25 0.4 0.21 4.3 2.1 11.5 3.15
1.6 12 9.6 2 0.4 0.21 4.15 2.1 11.2 2.85
1.6 20 15 0.5 0.2 0.21 1.75 0.62 6.37 0.75
1.6 20 15 0.8 0.2 0.21 1.87 0.75 6.5 0.75
1.6 20 15 1.2 0.2 0.21 2 0.87 6.62 0.87
1.6 20 15 1.4 0.2 0.21 2.12 0.87 6.62 0.87
1.6 20 15 1.4 0.3 0.21 2 0.87 6.62 0.87
1.6 20 15 1.6 0.3 0.21 2.12 1 6.75 1
1.6 20 15 1.8 0.3 0.21 2.12 1 6.87 1.12

1.6 20 15 1 0.2 0.21 2 0.75 6.5 0.87
1.6 20 15 2.2 0.3 0.21 2.25 1.12 7 1.12
1.6 20 15 2.3 0.4 0.21 2.25 1.25 7 1.25
1.6 20 15 2.5 0.4 0.21 2.25 1.12 7.12 1.25
1.6 20 15 2.8 0.4 0.21 2.37 1.25 7.25 1.37
1.6 20 15 2 0.3 0.21 2.25 1 6.87 1.12
1.6 20 15 3.1 0.4 0.21 2.5 1.37 7.37 1.5
1.6 20 15 3.4 0.4 0.21 2.5 1.37 7.5 1.5
1.6 12 10.2 0.1 0.2 0.21 2.5 0.9 9.1 1.35
1.6 12 10.2 0.4 0.2 0.21 2.95 1.05 9.25 1.65
1.6 12 10.2 0.7 0.2 0.21 3.25 1.35 9.4 1.65
1.6 12 10.2 0.25 0.2 0.21 2.8 1.05 9.1 1.5
1.6 12 10.2 0.55 0.2 0.21 3.1 1.2 9.25 1.65
1.6 12 10.2 0.85 0.3 0.21 3.25 1.35 9.55 1.95
1.6 12 10.2 1.3 0.3 0.21 3.55 1.65 9.85 2.4
1.6 12 10.2 1.6 0.4 0.21 3.7 1.8 10.15 2.85
1.6 12 10.2 1.9 0.4 0.21 3.85 1.95 10.45 3.15
1.6 12 10.2 1.15 0.3 0.21 3.4 1.5 9.7 2.25
1.6 12 10.2 1.45 0.3 0.21 3.7 1.8 10 2.55
1.6 12 10.2 1.75 0.4 0.21 3.85 1.8 10.3 3
1.6 12 10.2 1 0.3 0.21 3.25 1.5 9.55 2.1
1.6 12 10.2 2.2 0.4 0.21 4.15 2.1 10.75 3.3
1.6 12 10.2 2.05 0.4 0.21 4 2.1 10.6 3.3
1.6 15 13 0.5 0.2 0.21 2.35 0.9 7.3 1.2
1.6 15 13 0.25 0.2 0.21 2.05 0.75 7.3 1.05
1.6 15 13 0.55 0.2 0.21 2.35 0.9 7.3 1.2
1.6 15 13 0.75 0.2 0.21 2.5 1.05 7.45 1.35
1.6 15 13 0.95 0.2 0.21 2.5 1.05 7.45 1.35
1.6 15 13 1.2 0.2 0.21 2.65 1.2 7.6 1.5
1.6 15 13 1.4 0.3 0.21 2.65 1.2 7.75 1.8
1.6 15 13 1.9 0.3 0.21 2.95 1.35 7.9 1.95
1.6 15 13 1.65 0.3 0.21 2.8 1.35 7.9 1.95
1.6 15 13 2.2 0.3 0.21 3.1 1.65 8.2 2.1
1.6 15 13 2.45 0.3 0.21 3.1 1.65 8.35 2.4
1.6 15 13 2.55 0.4 0.21 3.1 1.65 8.35 2.55
1.6 15 13 2.75 0.4 0.21 3.25 1.65 8.5 2.7
1.6 15 13 2.95 0.4 0.21 3.4 1.8 8.65 2.85
1.6 15 13 3.15 0.4 0.21 3.4 1.95 8.8 2.85
1.6 15 13 3.35 0.4 0.21 3.55 1.95 8.95 3
1.6 16 15 0.5 0.2 0.21 2 0.87 6.25 1.25
1.6 16 15 0.8 0.2 0.21 2.25 0.87 6.25 1.37
1.6 16 15 1.1 0.2 0.21 2.37 1 6.37 1.5
1.6 16 15 1.4 0.2 0.21 2.5 1.12 6.5 1.62
1.6 16 15 1.7 0.2 0.21 2.62 1.12 6.62 1.75
1.6 16 15 2.3 0.3 0.21 2.75 1.25 6.87 2.25
1.6 16 15 2.6 0.3 0.21 2.87 1.5 7.12 2.37
1.6 16 15 2.9 0.3 0.21 2.87 1.5 6.87 2.37
1.6 16 15 2 0.3 0.21 2.62 1.12 6.75 2

1.6 16 15 3.2 0.3 0.21 3 1.62 7.37 2.75
1.6 16 15 3.5 0.35 0.21 3.12 1.62 7.62 3
1.6 16 15 3.8 0.35 0.21 3.25 1.75 7.75 3.12
1.6 16 15 4.1 0.35 0.21 3.37 1.87 8 3.25
1.6 16 15 4.4 0.35 0.21 3.5 2 8.25 3.37
1.6 16 15 4.7 0.35 0.21 3.62 2 8.37 3.5
CONVOLUCIONADA
l1 w2 fr1 BW1 fr2 BW2
0 0.5 4.8 1.15 6.25 0.95
0 1 4.75 1.25 6.35 1.05
0 1.5 4.8 1.15 6.25 0.95
0 2.0 4.65 1.55 6.5 1
0 2.5 4.8 1.15 6.25 0.95
0.5 0.5 4.65 1.05 6.05 1.05
0.5 0.75 4.65 1.15 6.1 1.1
0.5 1.0 4.6 1.25 6.1 1.15
0.5 1.25 4.6 1.25 6.15 1.2
0.5 1.5 4.6 1.4 6.2 1.2
0.5 1.75 4.6 1.45 6.25 1.2
0.5 2.0 4.6 1.55 6.25 1.15
0.5 2.25 4.55 1.6 6.3 1.15
0.5 2.5 4.55 1.65 6.35 1.15
1.0 0.5 4.55 1.1 5.95 1.05
1.0 0.75 4.55 1.15 5.95 1.15
1.0 1.0 4.55 1.25 6 1.15
1.0 1.25 4.55 1.25 6 1.15
1.0 1.5 4.55 1.4 6.1 1.25
1.0 1.75 4.55 1.4 6.1 1.25
1.0 2.0 4.55 1.5 6.2 1.3
1.0 2.25 4.55 1.5 6.2 1.3
1.0 2.5 4.5 1.65 6.25 1.25
1.5 0.5 4.35 1.0 5.85 1.15
1.5 0.75 4.4 1.15 5.9 1.15
1.5 1.0 4.45 1.25 5.95 1.2
1.5 1.25 4.45 1.25 6.0 1.2
1.5 1.5 4.45 1.35 6.05 1.25
1.5 1.75 4.5 1.4 6.1 1.3
1.5 2.0 4.5 1.5 6.15 1.35
1.5 2.25 4.5 1.6 6.15 1.3
1.5 2.5 4.5 1.65 6.25 1.25
2.0 0.5 4.2 1.05 5.8 1.15
2.0 0.75 4.25 1.1 5.85 1.15
2.0 1.0 4.3 1.2 5.9 1.2
2.0 1.25 4.35 1.3 5.9 1.25
2.0 1.5 4.4 1.35 5.95 1.3
2.0 1.75 4.45 1.45 6.0 1.35
2.0 2.0 3.5 1.0 6.05 1.35

2.0 2.25 4.45 1.6 6.1 1.4
2.0 2.5 3.5 1.0 6.05 1.35
2.5 0.5 4.0 1.0 5.75 1.2
2.5 0.75 4.1 1.1 5.75 1.2
2.5 1.0 4.15 1.2 5.8 1.25
2.5 1.25 4.2 1.25 5.85 1.25
2.5 1.5 4.25 1.35 5.9 1.25
2.5 2.0 4.35 1.5 6.0 1.35
2.5 2.5 4.4 1.65 6.05 1.45
3.0 0.5 3.85 1.0 5.7 1.2
3.0 0.75 3.95 1.1 5.75 1.2
3.0 1.0 4.0 1.15 5.75 1.25
3.0 1.25 4.1 1.25 5.8 1.25
3.0 1.5 4.25 1.45 5.9 1.35
3.0 1.75 4.2 1.4 5.9 1.35
3.0 2.0 4.25 1.45 5.9 1.35
3.0 2.25 4.3 1.55 5.95 1.4
3.0 2.5 4.25 1.45 5.9 1.35
3.5 0.5 3.65 0.95 5.7 1.15
3.5 0.75 3.8 1.05 5.7 1.2
3.5 1.0 3.85 1.15 5.75 1.25
3.5 1.25 3.95 1.25 5.75 1.25
3.5 1.5 4.0 1.3 5.8 1.3
3.5 1.75 4.1 1.4 5.8 1.3
3.5 2.0 4.15 1.45 5.85 1.35
3.5 2.25 4.2 1.55 5.85 1.35
3.5 2.5 4.2 1.6 5.9 1.4
4.0 0.5 3.55 0.95 5.65 1.2
4.0 0.75 3.65 1.05 5.7 1.2
4.0 1.0 3.75 1.15 5.7 1.25
4.0 1.25 3.8 1.2 5.75 1.25
4.0 1.5 3.9 1.3 5.75 1.3
4.0 1.75 4.0 1.4 5.75 1.3
4.0 2.0 4.05 1.5 5.8 1.35
4.0 2.25 4.1 1.55 5.8 1.35
4.0 2.5 4.15 1.6 5.85 1.4
4.5 0.5 3.35 0.95 5.65 1.2
4.5 0.75 3.5 1.05 5.65 1.2
4.5 1.0 3.6 1.1 5.7 1.25
4.5 1.25 3.7 1.2 5.7 1.25
4.5 1.5 3.75 1.3 5.7 1.3
4.5 1.75 3.85 1.4 5.75 1.3
4.5 2.0 3.95 1.4 5.75 1.35
4.5 2.25 4.0 1.55 5.75 1.4
4.5 2.5 4.05 1.6 5.8 1.4
5.0 0.5 3.25 0.95 5.65 1.2
5.0 0.75 3.4 1.05 5.65 1.2
5.0 1.0 3.5 1.1 5.65 1.2

5.0 1.25 3.55 1.15 5.65 1.25
5.0 1.5 3.85 1.55 5.75 1.35
5.0 1.75 3.75 1.35 5.7 1.3
5.0 2.0 3.95 1.55 5.75 1.35
5.0 2.25 3.9 1.5 5.7 1.35
5.0 2.5 3.95 1.55 5.75 1.35
5.5 0.5 3.1 0.9 5.6 1.15
5.5 0.75 3.25 1.0 5.6 1.2
5.5 1.0 3.35 1.1 5.65 1.25
5.5 1.25 3.45 1.15 5.65 1.2
5.5 1.5 3.55 1.25 5.65 1.25
5.5 1.75 3.65 1.35 5.65 1.3
5.5 2.0 3.7 1.4 5.65 1.3
5.5 2.25 3.75 1.5 5.65 1.35
5.5 2.5 3.85 1.55 5.65 1.35
6.0 0.5 3.05 0.9 5.6 1.2
6.0 0.75 3.15 1.0 5.6 1.2
6.0 1.0 3.25 1.1 5.6 1.2
6.0 1.25 3.35 1.15 5.6 1.25
6.0 1.5 3.75 1.25 5.6 1.25
6.0 1.75 3.55 1.3 5.65 1.3
6.0 2.0 3.6 1.4 5.65 1.3
6.0 2.25 3.7 1.45 5.65 1.35
6.0 2.5 3.75 1.25 5.6 1.25
6.5 0.5 2.8 0.9 5.6 1.15
6.5 0.75 2.95 1.0 5.6 1.15
6.5 1.0 3.15 1.05 5.6 1.2
6.5 1.25 3.2 1.15 5.6 1.25
6.5 1.5 3.3 1.2 5.6 1.25
6.5 1.75 3.4 1.3 5.6 1.3
6.5 2.0 3.5 1.4 5.6 1.3
6.5 2.25 3.55 1.45 5.6 1.3
6.5 2.5 3.65 1.5 5.55 1.3
7.0 0.5 2.85 0.9 5.6 1.15
7.0 0.75 2.95 1.0 5.6 1.15
7.0 1.0 3.05 1.05 5.6 1.2
7.0 1.25 3.15 1.15 5.6 1.2
7.0 1.5 3.25 1.2 5.55 1.2
7.0 1.75 3.35 1.3 5.55 1.25
7.0 2.0 3.4 1.35 5.55 1.25
7.0 2.25 3.5 1.45 5.55 1.25
7.0 2.5 3.55 1.5 5.55 1.3
7.5 0.5 2.7 0.9 5.55 1.2
7.5 0.75 2.85 1.0 5.55 1.2
7.5 1.0 2.95 1.1 5.55 1.2
7.5 1.25 3.05 1.15 5.55 1.2
7.5 1.5 3.1 1.2 5.55 1.2
7.5 1.75 3.2 1.25 5.55 1.25

7.5 2.0 3.3 1.35 5.5 1.25
7.5 2.25 3.4 1.4 5.5 1.25
7.5 2.5 3.45 1.45 5.5 1.3
8.0 0.5 2.65 0.9 5.55 1.2
8.0 0.75 2.75 1.0 5.6 1.2
8.0 1.0 2.85 1.05 5.55 1.2
8.0 1.25 2.95 1.1 5.55 1.2
8.0 1.5 3.0 1.15 5.55 1.2
8.0 1.75 3.15 1.25 5.55 1.2
8.0 2.0 3.0 1.15 5.55 1.2
8.0 2.25 3.3 1.35 5.5 1.25
8.0 2.5 3.35 1.45 5.45 1.25
8.5 0.5 2.55 0.9 5.55 1.15
8.5 0.75 2.7 0.95 5.55 1.15
8.5 1.0 2.8 1.0 5.55 1.15
8.5 1.25 2.85 1.15 5.55 1.15
8.5 1.5 2.95 1.15 5.5 1.2
8.5 1.75 3.05 1.25 5.5 1.2
8.5 2.0 3.15 1.25 5.5 1.2
8.5 2.25 3.2 1.35 5.45 1.25
8.5 2.5 3.25 1.45 5.45 1.2
9.0 0.5 2.5 0.9 5.55 1.1
9.0 0.75 2.6 1.0 5.55 1.15
9.0 1.0 2.7 1.0 5.55 1.1
9.0 1.25 2.8 1.1 5.5 1.1
9.0 1.5 2.9 1.15 5.5 1.15
9.0 1.75 2.95 1.2 5.5 1.15
9.0 2.0 3.05 1.25 5.45 1.2
9.0 2.25 3.1 1.35 5.45 1.2
9.0 2.5 3.2 1.4 5.4 1.2

Aplicação Inteligência Computacional - Segundo - 2018

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aplicação Inteligência Computacional - Segundo - 2018

Enviado por

Direitos autorais:

Formatos disponíveis

!

! "# # $% &$ '( )

:' ' * ! ;;<

Silva Segundo, Francisco Carlos Gurgel da.

Tese (doutorado) - Universidade Federal do Rio Grande do

1. Superfície Seletiva em Frequência Multibanda - Tese. 2.

RN/UF/BCZM CDU 621.018.4

Elaborado por Kalline Bezerra da Silva - CRB-15/327

A Deus pai todo poderoso, por sempre estar ao meu lado.

A minha esposa Patrícia Rafaela pelo amor, carinho e dedicação.

Ao meu irmão, Francisco Sales da Silva Terceiro, pela amizade e motivação.

Ao meu orientador e amigo Antonio Luiz Pereira de Siqueira Campos pela

Aos professores Allan de Medeiros Martins e Gutembergue Soares da Silva pelas

A todos os professores que fazem o PPgEEC pelas experiências e conhecimentos

Aos meus colegas da UFERSA e UFRN por toda motivação e ajuda no

As superfícies seletivas em frequência (Frequency Selective Surface - FSS) consistem de

Palavras-Chave: Banda ultra larga; Filtro de frequência; Geometria

Lista de Figuras ............................................................................................................. iii

Figura 2.1 – Superfície seletiva em frequência do tipo patch condutor ........................... 4

Tabela 4.1 - Variação dos parâmetros - Espira Quadrada .............................................. 62

As FSS são filtros de ondas eletromagnéticas formados basicamente por um

A utilização de FSS com característica multibanda tem recebido atenção especial

Uma rede neural artificial, segundo [9], é um processador paralelamente

Essas redes estão sendo bastante utilizadas em diversas áreas do conhecimento

O trabalho está estruturado da seguinte forma: no Capítulo 2, é apresentada uma

No Capítulo 3, é realizada uma abordagem sobre as redes neurais com enfoque

No Capítulo 4, será apresentada uma análise das geometrias escolhidas para

O Capítulo 5 apresenta os resultados do projeto das redes neurais visando a

2.Capítulo 2 - Superfície Seletiva em

As superfícies seletivas em frequência são estruturas formadas por arranjos de

Figura 2.1 – Superfície seletiva em frequência do tipo patch condutor

As FSS possuem uma longa história de desenvolvimento que se iniciou a partir de

Atualmente, busca-se FSS que possuam múltiplas bandas de transmissão

2.2. Tipos de elementos

2.3. Forma dos elementos

Algumas formas de elementos são tradicionais e bastante utilizadas em relatos

Figura 2.3 - Forma dos Elementos mais comuns

Figura 2.4 - Grupo 1

O Grupo 2 é representado pelos elementos do tipo espira. As formas mais comuns

Figura 2.5 - Grupo 2

O Grupo 3 é formado pelos elementos do tipo sólido. Os mais comuns são: os

Figura 2.6 - Grupo 3

Figura 2.7 - Grupo 4

Ao longo do tempo, foram surgindo novas formas de elementos. Entre estas,

O fractal é gerado através de fórmulas matemáticas, muitas vezes simples, que

Figura 2.8 – Fractal de Kock. Extraído de [22]

Figura 2.9 – Elemento Fractal Espiral. Extraído de [23]

Além dos elementos fractais, já se tem relatos científicos utilizando elementos

A forma do elemento utilizado em uma FSS influencia fortemente em parâmetros

2.4. Técnicas de análise

Na literatura, é fácil encontrar métodos de análise dedicados à caracterização de

Para os métodos aproximados, o mais conhecido e utilizado é o método do circuito

Outro método que se destaca atualmente é a técnica das diferenças finitas no

Em conjunto com esses métodos, podem ser utilizadas técnicas de inteligência

2.5. Setup de medição

Figura 2.11 - Medição das características de transmissão e reflexão da FSS

Na próxima seção, será apresentado um levantamento bibliográfico sobre

2.6. Aplicações de FSS em estruturas multibanda e/ou banda larga

As superfícies seletivas em frequência (FSS) estão cada vez mais em evidência

2.6.1. Superfícies seletivas em frequência banda larga

Para a obtenção de características multibanda e/ou banda larga, na literatura há

Em [35], Ranga et al apresenta um conjunto de quatro superfícies seletivas em

Figura 2.14 - Três camadas de FSS. Extraído de [36]