Pythonと高周波ライブラリscikit-rfを使って同軸コネクタ→同軸・基板接続不連続（LとC）→伝送線路（マイクロストリップライン）のような構成の測定治具のSパラメータ、特性インピーダンスを出力する関数を作る。後で機械学習に使うための準備。

LCフィルタ、パッチアンテナの次は伝送線路（マイクロストリップライン）と同軸コネクタ（SMAなど）を含む測定治具をやってみよう。

uSimmics(旧名QucsStudio）で以前やってみたこんな構成をPythonとscikit-rfで実施するイメージ。

さっそく関数を紹介すると（もうコメントに説明があるので詳しくは略）、

import numpy as np

import matplotlib.pyplot as plt

import skrf as rf

from skrf.media import Coaxial, MLine

rf.stylely()

def mesurement_jig(fstart, fstop, n, coaxial_length, cap, ind, width, length, height, er):

    """

    測定治具を模したSパラメータ及び基板の特性インピーダンスを返す関数

    測定治具は

    同軸コネクタ→シャントC→シリーズL

    →基板に形成されたマイクロストリップライン

    →シリーズL→シャントC→同軸コネクタの構成

    導体損・tanδは今回は固定されている。

    Parameters

    ----------

    fstart : float

        最低周波数[GHz]

    fstop :  float

        最高周波数[GHz]

    n : int

        周波数分割数

    coaxial_length : float

        同軸コネクタ部分の長さ[mm]

    cap : float

        同軸コネクタ・基板接続部キャパシタンス[pF]

    ind : float

        同軸コネクタ・基板接続部インダクタンス[nH]

    width : float

        線路幅[mm]

    length : float

        線路長さ[mm]

    height : float

        基板厚み[mm]

    er : float

        基板比誘電率

    Returns

    -------

    Stl : scikit-rfのNetwork

        測定治具のSパラメータ

    z0 : float

        中央周波数の特性インピーダンス

    """

    #周波数範囲設定

    freq = rf.Frequency(fstart, fstop, n, "GHz")

    #同軸コネクタのパラメータ（SMA相当）

    coax = Coaxial(frequency=freq, Dint=1.3e-3, Dout = 4.59e-3, epsilon_r=2.29, tan_delta=4e-4, sigma=1/0.022e-6, z0_port=50)

    #マイクロストリップラインのパラメータ

    msl = MLine(frequency=freq, z0_port=50, w=width*1e-3, h=height*1e-3, t=35e-6, ep_r=er, tand=0.01, rho=1e-8, rough=0.127e-6)

    #同軸コネクタの長さ決定

    coax_line = coax.line(coaxial_length, unit="mm", name="coax_line")

    #マイクロストリップラインの長さ決定

    msl_line = msl.line(length,  unit="mm", name = "msl_line")

    #同軸コネクタと基板の接続部のLC

    C = msl.shunt_capacitor(cap * 1e-12)

    L = msl.inductor(ind * 1e-9)

    #Casccade接続する

    Stl = coax_line ** C ** L ** msl_line ** L ** C ** coax_line

    Stl.name = "Measurement jig"

    #中心周波数の基板の特性インピーダンスを求める。

    z0 = msl.z0[n // 2].real

    return Stl, z0

これで、例えば基板のインピーダンスは同じとしてL,Cを変えた場合のS11を見ると、

Stl1, z0_1 = mesurement_jig(0.1, 20, 200, 10, 0.05, 0.2, 0.49, 100, 0.254, 4)

Stl2, z0_2 = mesurement_jig(0.1, 20, 200, 10, 0.2, 0.2, 0.49, 100, 0.254, 4)

Stl3, z0_3 = mesurement_jig(0.1, 20, 200, 10, 0.05, 0.3, 0.49, 100, 0.254, 4)

Stl1.plot_s_db(m=0, n=0)

Stl2.plot_s_db(m=0, n=0)

Stl3.plot_s_db(m=0, n=0)

とかなり違う。しかし基板部分の特性インピーダンスは

print(z0_1, z0_2, z0_3)

50.23630901433205 50.23630901433205 50.23630901433205

ともちろん全部一緒。

S11から特性インピーダンスを求めるにはTDR（Time Domain Reflectometry)を使うことが多いが、これからやろうとしていることはTDRを使わずにSパラメータだけから特性インピーダンスを機械学習で予測するということ。

では次回に。