Avaliação de modelos de propagação inteligentes em um simulador de rede LoRa

• Ano de defesa: 2024
• Autor(a) principal: Ballestrin, Rogério Victorio Fernandes
• Orientador(a): Müller, Ivan
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Redes sem fio; Inteligência artificial; Detecção de falhas
• Palavras-chave em Inglês: Path loss; LoRa; Network simulator; Artificial intelligence
• Link de acesso: http://hdl.handle.net/10183/282794

A evolução das redes de comunicação sem fio tem sido um tópico relevante nas últimas décadas, impulsionada pela crescente demanda por aplicações de Internet das Coisas (IoT) em ambientes urbanos e rurais. Essas aplicações abrangem desde o monitoramento remoto até a automação industrial, agricultura de precisão e cidades inteligentes. As redes de sensores sem fio, especialmente aquelas baseadas na tecnologia LoRa, destacam-se por sua capacidade de fornecer comunicações de longo alcance com baixo consumo de energia. No entanto, um dos principais desafios enfrentados no uso dessas redes é a perda de percurso (path loss), que afeta diretamente a capacidade de comunicação e o consumo de energia dos dispositivos. Em ambientes urbanos densamente povoados, obstáculos como edifícios altos e estruturas metálicas podem causar atenuação significativa do sinal. Já em áreas rurais, a propagação pode ser afetada por terrenos acidentados ou vegetação densa. Embora existam vários modelos de propagação para prever a perda de percurso, muitos não conseguem lidar com a complexidade dos ambientes reais. Nesta pesquisa, foram implementados e testados modelos clássicos e de Inteligência Artificial usando dois conjuntos de dados: MCLAB, contendo dados de nós móveis, e Medellín, contendo dados de nós fixos. Os melhores modelos identificados foram aqueles derivados da árvore de decisão, como a Floresta Aleatória e o XGBOOST. No conjunto MCLAB, a Floresta Aleatória obteve erro médio quadrático de 6,82 dB, comparado a 9,78 dB do modelo logdistance. Já no conjunto Medellín, a Floresta Aleatória apresentou erro médio quadrático de 1,89 dB, comparado a 2,00 dB do modelo log-distance. Apesar do significativo esforço computacional na busca pela melhor topologia, nenhuma rede neural superou os modelos baseados em árvore. Todos os modelos aplicados e desenvolvidos foram implementados no simulador LoRaEnergySim, que foi utilizado para avaliar o impacto dos diferentes modelos de propagação no dimensionamento de redes LoRa, confirmando que os modelos clássicos tendem a superestimar as perdas de propagação, o que pode resultar em um dimensionamento incorreto das redes.