The boundary element method (BEM) enables solving three-dimensional electromagnetic problems using a two-dimensional surface mesh, making it appealing for applications ranging from electrical interconnect analysis to the design of metasurfaces. The BEM typically involves the electric and magnetic fields as unknown quantities. Formulations based on electromagnetic potentials rather than fields have garnered interest recently, for two main reasons: (a) they are inherently stable at low frequencies, unlike many field-based approaches, and (b) potentials provide a more direct interface to quantum physical phenomena. Existing potential-based formulations for electromagnetic scattering have been proposed primarily for perfect conductors. We develop a potential-based BEM formulation which can capture both dielectric and conductive losses, and accurately models the skin effect over broad ranges of frequency. The accuracy of the proposed formulation is validated through canonical and realistic numerical examples.


翻译:边界元素方法(BEM)能够用二维表面网格解决三维电磁问题,从而吸引从电联分析到元表层设计等各种应用。BEM通常以未知数量涉及电磁场。基于电磁潜能的配方,而不是基于字段的配方最近引起了兴趣,主要原因有二:(a)它们与许多实地方法不同,在低频率上具有内在稳定性,以及(b)它们与量子物理现象有着更直接的界面。主要为完美的导体提出了现有的电磁散射潜在基配方。我们开发了一种基于潜在的BEM配方,可以捕捉到电离和导电损,并准确地模拟广频范围的皮肤效应。提议的配方的准确性通过直观和现实的数字示例得到验证。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
专知会员服务
38+阅读 · 2021年8月20日
专知会员服务
50+阅读 · 2021年6月30日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
机器学习相关资源(框架、库、软件)大列表
专知会员服务
39+阅读 · 2019年10月9日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
48+阅读 · 2019年9月24日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
spinningup.openai 强化学习资源完整
CreateAMind
6+阅读 · 2018年12月17日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
五个精彩实用的自然语言处理资源
机器学习研究会
6+阅读 · 2018年2月23日
【推荐】RNN无损压缩方法DeepZip(附代码)
机器学习研究会
5+阅读 · 2018年1月1日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
VIP会员
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
spinningup.openai 强化学习资源完整
CreateAMind
6+阅读 · 2018年12月17日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
五个精彩实用的自然语言处理资源
机器学习研究会
6+阅读 · 2018年2月23日
【推荐】RNN无损压缩方法DeepZip(附代码)
机器学习研究会
5+阅读 · 2018年1月1日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Top
微信扫码咨询专知VIP会员