CST汽车天线仿真(双向混合求解)

CST从2018版本开始具有双向混合求解,到2019版已经通用微波工作室的各个求解器之间的双向混合。具体的混合对象如下图:

对天线的安装和耦合仿真,意味着对复杂结构(天线)和电大尺寸环境(安装平台,如车辆、飞机、船舶)仿真,如果采用单一求解器求解全部模型,例如T-solver,对于平台则会产生大量的mesh网格和巨大的计算量,反之,如采用I-solver,计算天线的馈入结构则具有挑战性。

采用混合求解器(HybridSolver),可同时使用多种求解方法得到期望结果。该求解器将复杂问题分成多个部分,它们之间的联系由等效的近场或远场源定义;选择双向方式(Bi-directional)可计算场源与平台耦合过程,因此采用混合求解器可以大大加快天线的安装和耦合仿真。该求解器在多种场景下都能完成高效又不失精确的仿真,这里以天线在车辆上的安装为例进行具体的仿真介绍。

天线和平台安装点设置

在本例中还要在安装平台上也设置相反的安装点。比如下图的一个GPS天线要安装到悍马车上需要先在天线文件里设置安装点,安装方向是相对坐标系w轴的方向。所以天线的相对坐标系的w轴方向和平台的w轴正好是相对的。

在完成上述操作后,开始正式的SAM操作。

建立天线安装模型

建立系统装配与建模(SAM)

导入.cst文件,可直接将其拖拽至Assembly或使用导入功能。

将GPS天线与车辆装配,点击snapanchor points,分别选择第一个装配点和第二个装配点,将天线与车辆对齐完成装配。

对Monopole天线重复装配操作,完成两个天线装配。

创建仿真任务

创建HybridSolver Task,选择双向Bi-driectional。

双向求解将源到平台,平台到源的耦合数据(近场)迭代计算,直到达到收敛条件。该求解方式支持T-solver和I-solver,仿真时间上Bi-directional耗时长于Uni-directional。

定义车辆为Platform,选择车,点击3D Model,点击create simulation Project建立仿真工程。

指定名称(Platform),选中本例中的悍马车block。

指定求解器(IntegralEquation)

选择GPS,重复上述过程。

选择Monopole,同样重复上述过程。

点击closesimulation Project,仿真任务创建,弹出激励设置,选择GPS区域作为激励。

指定近场源频率范围

检查仿真项目设置

设置完成的混合求解器任务可在NavigationTree-Tasks中观察到

选择HS1任务,可在任务参数列表中修改相应参数,例如将最大迭代次数修改为3以减少仿真时间。

每个项目自动创建,且至少包含一对场源数据,fieldsource 和fieldsource monitor,fieldsource monitor可获得场数据,fieldsource指其它域的场数据。

其中GPS源部分的内容,如下:

monopole子任务中内容如下:

开始仿真

点击Update,等待计算结果。

分析结果

在结果中查看一维仿真结果,如效率和S参数。

点击farfield,观察远场结果

总结

以上就是汽车天线安装到车辆平台上的仿真流程,双向混合解决了平台尺寸大的问题,同时双向混合充分考虑了源和平台之间的耦合问题,保证了求解精度。如有问题,可在文后留言。


【推荐内容】

CST中如何设置对称面

CST边界条件如何设置,怎样查看边界盒子(计算区域)大小

CST Linux版本安装图文指南

相关推荐
小兵张健4 小时前
35岁程序员的春天来了
人工智能
大怪v5 小时前
AI抢饭?前端佬:我要验牌!
前端·人工智能·程序员
冬奇Lab5 小时前
OpenClaw 深度解析(六):节点、Canvas 与子 Agent
人工智能·开源
小兵张健5 小时前
开源 playwright-pool 会话池来了
前端·javascript·github
刀法如飞6 小时前
AI提示词框架深度对比分析
人工智能·ai编程
IT_陈寒8 小时前
Python开发者必知的5大性能陷阱:90%的人都踩过的坑!
前端·人工智能·后端
codingWhat8 小时前
介绍一个手势识别库——AlloyFinger
前端·javascript·vue.js
Lee川8 小时前
深度拆解:基于面向对象思维的“就地编辑”组件全模块解析
javascript·架构
1G8 小时前
openclaw控制浏览器/自动化的playwright MCP + Mcporter方案实现
人工智能
进击的尘埃8 小时前
Web Worker 与 OffscreenCanvas:把主线程从重活里解放出来
javascript