Modelagem da sensibilidade de amostras GMI por redes neurais
AUTOR(ES)
Silva, Eduardo Costa da, Vellasco, Marley M. B. R., Barbosa, Carlos R. Hall, Monteiro, Elisabeth Costa, Gusmão, Luiz A. P. de
FONTE
Sba Controle & Automação
DATA DE PUBLICAÇÃO
2012-10
RESUMO
Ao longo dos últimos anos, diversos trabalhos têm sido desenvolvidos a fim de se modelar quantitativamente o efeito GMI (Magnetoimpedância Gigante). No entanto, esses modelos adotam simplificações que afetam significativamente seu desempenho teórico-experimental e sua generalidade, e ainda são raros os modelos quantitativos que incorporam parâmetros geradores de assimetria - AGMI (GMI assimétrica) - como, por exemplo, o nível CC da corrente de excitação das amostras GMI. Este trabalho objetiva o desenvolvimento de um novo modelo, suficientemente geral, que incorpore inclusive a assimetria induzida pelo nível CC da corrente de excitação, capaz de guiar os procedimentos experimentais de caracterização das amostras GMI. Assim, este artigo propõe, apresenta e discute a utilização de um modelo computacional baseado em Redes Neurais feedforward Multilayer Perceptron na modelagem da sensibilidade de módulo e fase da impedância do efeito GMI em função do campo magnético, para ligas ferromagnéticas amorfas de composição Co70Fe5Si15B10. O modelo proposto permite a obtenção da sensibilidade a partir de alguns dos principais parâmetros que a afetam: comprimento das amostras, nível CC e frequência da corrente de excitação e campo magnético externo.
ASSUNTO(S)
redes neurais magnetoimpedância gigante modelagem sensor magnético
Documentos Relacionados
- Usando redes neurais para estimação da volatilidade : redes neurais e modelo híbrido GARCH aumentado por redes neurais
- Estimativa de concentração de material particulado em suspensão na atmosfera por meio da modelagem de redes neurais artificiais
- Modelagem chuva-vazão utilizando redes neurais artificiais
- Modelagem da distribuição de diâmetros utilizando autômatos celulares e redes neurais artificiais
- Modelagem preditiva de linha de costa utilizando redes neurais artificiais