| Data: |
2025 |
| Resum: |
Aquesta tesi investiga sensors de microones planars en mode reflexió per a la caracterització de materials complexos, centrant-se en l'optimització de sensibilitat i selectivitat mitjançant tècniques avançades i intel·ligència artificial (IA). El treball aborda limitacions crítiques en la detecció convencional per microones mitjançant l'optimització sistemàtica d'arquitectures de sensors, demostrant evolució des d'enfocaments analítics fins a disseny de sensors basat en aprenentatge automàtic. La contribució teòrica principal aprofita la separació de la sensibilitat en dos components independents: elements elèctrics a transformació de variable de sortida, i la interacció de camp a elements elèctrics. Aquesta separació permet una optimització independent de cada component, canviant fonamentalment com es dissenyen i operen els sensors de microones planars en mode reflexió. La maximització de la sensibilitat s'aconsegueix mitjançant acoblament controlat, inversors d'impedància i tècniques de ressonància-antiressonància. L'enginyeria de pèrdues s'introdueix com a paràmetre de disseny, permetent el control precís de la resposta del sensor. Es demostra un canvi de paradigma mitjançant la integració d'aprenentatge automàtic, on els algoritmes d'IA aprenen la transformació de dades espectrals a variables objectiu, reemplaçant enfocaments d'optimització analítics. Això permet el disseny de sensors dirigit per aplicació, on els algoritmes de machine learning modelen relacions complexes i no lineals entre respostes espectrals i propietats físiques. La validació experimental inclou sensors planars en mode reflexió que aconsegueixen millores d'ordre de magnitud en sensibilitat comparat amb enfocaments tradicionals, sensibilitat sintonitzable amb control electrònic en temps real, i marcs millorats per IA per a detecció remota i anàlisi de líquids multicomponent. La tesi contribueix al desenvolupament d'arquitectures de sensors planars en mode reflexió noves, metodologies de disseny sistemàtiques, i un nou paradigma per a la detecció per microones que combina interacció de camp optimitzada amb postprocessament asistit per IA. La recerca comprèn onze publicacions revisades per experts que demostren una progressió sistemàtica des del disseny fonamental de sensors a través de l'enginyeria de pèrdues fins a aplicacions millorades per IA. Els assoliments tècnics clau inclouen millores de sensibilitat de pendent de fase que excedeixen 6350° per unitat de permitivitat relativa mentre mantenen àrees de detecció compactes, l'enginyeria de pèrdues que permet l'ajustament electrònic en temps real de la sensibilitat del sensor, i marcs dirigits per IA per a detecció remota i anàlisi de líquids multicomponent. Les aplicacions pràctiques abasten supervisió de processos industrials, diagnòstics sanitaris i monitoratge ambiental. El treball aborda el repte crític d'aconseguir alta sensibilitat mentre es minimitza la mida del sensor, permetent avaluació ràpida de materials in situ que supera les limitacions dels instruments de laboratori tradicionals que requereixen preparació complexa de mostres i consumibles cars. L'arquitectura planar facilita solucions compactes i cost-efectives adequades per al monitoratge continu en entorns diversos. La tesi estableix un marc per a la detecció per microones centrada en fase que permet l'optimització sistemàtica del rendiment del sensor, integrant modelatge analític amb validació experimental i evolucionant cap a enfocaments d'aprenentatge automàtic. Això representa un canvi fonamental en la filosofia de disseny de sensors de microones, passant de la minimització de pèrdues a l'enginyeria de pèrdues, i de l'optimització analítica a enfocaments de disseny basats en dades. |
| Resum: |
Esta tesis investiga sensores de microondas planares en modo reflexión para la caracterización de materiales complejos, centrándose en la optimización de sensibilidad y selectividad mediante técnicas avanzadas e inteligencia artificial. El trabajo aborda limitaciones críticas en la detección convencional por microondas mediante optimización sistemática de arquitecturas de sensores, demostrando evolución desde enfoques analíticos hasta diseño de sensores basado en aprendizaje automático. La contribución teórica principal aprovecha la separación de la sensibilidad en dos componentes independientes: elementos eléctricos a transformación de variable de salida, e interacción de campo a elementos eléctricos. Esta separación permite la optimización independiente de cada componente, cambiando fundamentalmente cómo se diseñan y operan los sensores de microondas planares en modo reflexión. La maximización de la sensibilidad se consigue mediante acoplamiento controlado, inversores de impedancia y técnicas de resonancia-antirresonancia. La ingeniería de pérdidas se usa como parámetro de diseño, permitiendo control sobre la respuesta del sensor. Se demuestra un cambio de paradigma mediante la integración de aprendizaje automático, donde los algoritmos de IA aprenden la transformación de datos espectrales a variables objetivo, reemplazando enfoques de optimización analíticos. Esto permite el diseño de sensores dirigido por aplicación, donde los algoritmos de machine learning modelan relaciones complejas y no lineales entre respuestas espectrales y propiedades físicas. La validación experimental incluye sensores planares en modo reflexión que consiguen mejoras de orden de magnitud en sensibilidad, sensibilidad sintonizable con control electrónico en tiempo real, y marcos mejorados por IA para detección remota y análisis de líquidos multicomponente. La tesis contribuye al desarrollo de arquitecturas de sensores planares en modo reflexión novedosas, metodologías de diseño sistemáticas, y un nuevo paradigma para la detección por microondas que combina interacción de campo optimizada con postprocesamiento asistido por IA. La investigación comprende once publicaciones revisadas por pares que demuestran una progresión sistemática desde el diseño fundamental de sensores a través de la ingeniería de pérdidas hasta aplicaciones mejoradas por IA. Los logros técnicos clave incluyen mejoras de sensibilidad de pendiente de fase que exceden 6350° por unidad de permitividad relativa mientras mantienen áreas de detección compactas, la ingeniería de pérdidas que permite el ajuste electrónico en tiempo real de la sensibilidad del sensor, y marcos dirigidos por IA para detección remota y análisis de líquidos multicomponente. Las aplicaciones prácticas abarcan supervisión de procesos industriales, diagnósticos sanitarios y monitoreo ambiental. El trabajo aborda el reto crítico de lograr alta sensibilidad mientras se minimiza el tamaño del sensor, permitiendo evaluación rápida de materiales in situ que supera las limitaciones de los instrumentos de laboratorio tradicionales que requieren preparación compleja de muestras y consumibles costosos. La arquitectura planar facilita soluciones compactas y costo-efectivas adecuadas para el monitoreo continuo en entornos diversos. La tesis establece un marco para la detección por microondas centrada en fase que permite la optimización sistemática del rendimiento del sensor, integrando modelado analítico con validación experimental y evolucionando hacia enfoques de aprendizaje automático. Esto representa un cambio fundamental en la filosofía de diseño de sensores de microondas, pasando de la minimización de pérdidas a la ingeniería de pérdidas, y de la optimización analítica a enfoques de diseño basados en datos. |
| Resum: |
This thesis presents a comprehensive investigation of reflective-mode planar microwave sensors for complex material characterization, focusing on sensitivity and selectivity optimization through advanced techniques and artificial intelligence (AI). The work addresses critical limitations in conventional microwave sensing through systematic optimization of sensor architectures, demonstrating evolution from analytical approaches to AI-driven sensor design. The core theoretical contribution leverages the separation of sensitivity into two independent components: electrical elements to output variable transformation, and field interaction to electrical elements. This separation enables independent optimization of each component, fundamentally changing how reflective-mode planar microwave sensors are designed and operated. Sensitivity maximization is achieved through controlled coupling, impedance inverters, and resonance-antiresonance techniques. Loss engineering is introduced as a design parameter rather than a performance limitation, enabling precise control of sensor response shape. A paradigm shift is demonstrated through AI integration, where algorithms learn the transformation from spectral data to target variables, replacing analytical optimization approaches. This enables application-driven sensor design, where machine learning algorithms model complex, non-linear relationships between spectral responses and physical properties. Experimental validation includes reflective-mode planar sensors achieving order-of-magnitude improvements in sensitivity compared to traditional approaches, loss-engineered tunable sensitivity with real-time electronic control, and AI-enhanced frameworks for remote sensing and multicomponent liquid analysis. The thesis contributes novel reflective-mode planar sensor architectures, systematic design methodologies, and a new paradigm for microwave sensing that combines optimized field interaction with AI-driven post-processing for application-oriented sensors. The research encompasses eleven peer-reviewed publications demonstrating systematic progression from fundamental sensor design through loss engineering to AI-enhanced applications. Key technical achievements include phase slope sensitivity improvements exceeding 6350° per unit of relative permittivity while maintaining compact sensing areas, loss engineering enabling real-time electronic adjustment of sensor sensitivity, and AI-driven frameworks for remote sensing and multicomponent liquid analysis. Practical applications span industrial process supervision, healthcare diagnostics, and environmental monitoring. The work addresses the critical challenge of achieving high sensitivity while minimizing sensor size, enabling rapid, in-place material assessment that overcomes limitations of traditional lab instruments requiring complex sample preparation and expensive consumables. Planar architecture facilitates compact, cost-effective solutions suitable for continuous monitoring in diverse environments. The thesis establishes a framework for phase-centric microwave sensing that enables systematic optimization of sensor performance, integrating analytical modeling with experimental validation and evolving to machine learning approaches. This represents a fundamental shift in microwave sensor design philosophy, moving from loss minimization to loss engineering, and from analytical optimization to data-driven design approaches. Beyond the overarching concepts, the thesis provides practical guidance for operating-point selection and implementation. For weakly coupled resonators, operation between split resonances is shown to maximize the local phase slope; for resonance-antiresonance structures, tuning the coupling via access reactance sets the trade-off between slope and dynamic range. The framework quantifies figures of merit that jointly consider sensitivity and footprint, clarifying how semi‑lumped realizations (e. g. , stepped‑impedance resonators) concentrate fields to reduce sensing area without degrading performance. The measurement strategy emphasizes phase‑centric readout at single frequency for minimal hardware, while broadband spectra are leveraged when machine learning is employed to extract richer, application‑specific information. From an implementation standpoint, the work spans coplanar waveguide, microstrip, and defected ground structures, covering the 1-6 GHz band commonly used for liquid and biological materials. Microfluidic integration decouples liquid handling from RF access lines to improve repeatability and simplify packaging, and electronic tunability is realized with voltage‑controlled loss elements for in‑situ sensitivity adjustment. For data‑driven pipelines, automated mixture preparation and temperature control enable reproducible datasets, and supervised models are validated with held‑out measurements to demonstrate generalization. Collectively, these contributions translate fundamental insights into deployable sensor recipes that balance sensitivity, compactness, robustness, and ease of calibration. |
| Resum: |
Universitat Autònoma de Barcelona. Programa de Doctorat en Enginyeria Electrònica i de Telecomunicació. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.  |
| Llengua: |
Anglès |
| Col·lecció: |
Programa de Doctorat en Enginyeria Electrònica i de Telecomunicació |
| Document: |
Tesi doctoral ; Text ; Versió publicada |
| Matèria: |
Sensors de Microones ;
Microwave Sensors ;
Sensores de Microondas ;
Intel·ligència Artificial ;
Artificial Intelligence ;
Inteligencia Artificial ;
Microfluídica ;
Microfluidics ;
Tecnologies ;
621.3 |
visitant ::
identificació
