Stima della sezione trasversale radar delle navi mediante reti neurali

Abstract

L’identificazione della Radar Cross Section (RCS) è un elemento cruciale nella progettazione navale, ma le simulazioni elettromagnetiche tradizionali, sebbene accurate, risultano computazionalmente onerose, soprattutto su modelli complessi o numerose configurazioni. Questa tesi propone un approccio alternativo che integra simulazioni elettromagnetiche in ANSYS HFSS con tecniche di intelligenza artificiale, in particolare reti neurali convoluzionali (CNN), per stimare la RCS a partire da immagini della geometria del bersaglio. In una prima fase, è stato creato un modello parametrico di nave in HFSS, variato secondo insiemi casuali di parametri geometrici predefiniti. Il processo di generazione e simulazione di 1000 modelli è stato completamente automatizzato tramite l’interfacciamento con MATLAB. I risultati ottenuti, contenenti le immagini geometriche e i relativi valori di RCS, sono stati utilizzati per costruire un dataset impiegato nell’addestramento della rete neurale. La CNN inizialmente adottata ha subito un processo di ottimizzazione, modificando progressivamente architettura, numero di filtri, neuroni e strati. Ogni configurazione è stata valutata tramite il valore di RMSE e analisi grafiche, individuando quella con le migliori prestazioni. L’importanza degli strati di MaxPooling e Batch Normalization è stata analizzata separatamente, confermandone il contributo positivo alla robustezza e all’efficacia del modello. In conclusione, il lavoro ha dimostrato l’efficacia dell’approccio proposto, evidenziando come le CNN possano offrire stime affidabili e rapide della RCS a partire da immagini dell'oggetto, costituendo una valida alternativa ai metodi tradizionali.

The identification of a vessel’s Radar Cross Section (RCS) is a critical aspect of naval design, as it serves as a unique electromagnetic signature. Traditionally, RCS values are obtained through electromagnetic simulations, which, while accurate, can become computationally expensive when applied to complex models or a large number of configurations. Aiming to develop a more efficient and accurate alternative, this thesis proposes a methodology that integrates electromagnetic simulations in ANSYS HFSS with artificial intelligence techniques—specifically, Convolutional Neural Networks (CNNs)—to estimate RCS from images of the target geometry. The initial phase of the work involved the parametric modeling of a ship in HFSS, where a set of geometric variables was randomly varied within predefined ranges. Through MATLAB interfacing, the simulation process was fully automated, enabling the generation of 1000 different ship models. The resulting data—including both the model geometries and their corresponding RCS values—were exported and processed in MATLAB to create a comprehensive dataset required for training the neural network. A first CNN architecture was designed with a simple structure, and then progressively optimized through a systematic analysis involving variations in the number of convolutional filters, the number of neurons in the fully connected layers, and the number of network layers. Each configuration underwent a training and validation process, with performance evaluated through the Root Mean Square Error (RMSE) and graphical analyses. The optimal architecture—yielding the highest prediction accuracy—was subsequently selected. A final analytical phase assessed the contribution of MaxPooling and Batch Normalization layers, confirming their significant impact on the model’s robustness and effectiveness. In conclusion, this work demonstrated the effectiveness of a neural network-based approach for RCS estimation.