Caractérisation et modélisation d’un canal minier souterrain Massive MIMO à ondes millimétriques en utilisant les techniques d’intelligence artificielle

Hadji, Saif Eddine (2025). Caractérisation et modélisation d’un canal minier souterrain Massive MIMO à ondes millimétriques en utilisant les techniques d’intelligence artificielle. (Thèse de doctorat). Université du Québec en Abitibi-Témiscamingue. Depositum. https://depositum.uqat.ca/id/eprint/1700

Prévisualisation

PDF Télécharger (16MB) | Prévisualisation

Résumé

RÉSUMÉ

Alors que les opérations minières évoluent vers le concept de « mine intelligente », l’intégration des technologies de communication sans fil permet de relever les défis immédiats tout en favorisant une exploitation plus durable et compétitive à long terme. Dans ce contexte, les réseaux 5G privés jouent un rôle clé, notamment dans les régions éloignées où les infrastructures de communication publiques sont limitées. Le déploiement des réseaux 5G industriels exige une amélioration significative de la bande passante et de l’efficacité spectrale, notamment grâce aux ondes millimétriques et aux techniques MIMO massives. Cependant, l’établissement d’un accès sans fil fiable et performant en mine souterraine repose sur une connaissance approfondie des caractéristiques du canal. Contrairement aux tunnels conventionnels, les mines souterraines présentent des défis uniques, liés aux surfaces rugueuses, à l’espace restreint et aux structures complexes des galeries.

La première contribution de cette thèse est une analyse expérimentale inédite d’un canal MU-MIMO massif à large bande en ondes millimétriques dans un environnement minier souterrain. Une campagne de mesure a été réalisée à 28 GHz avec une bande passante de 800 MHz, en utilisant une liaison radio sur fibre (RF-over-Fiber) pour étendre la portée des mesures. L’étude s’est concentrée sur l’analyse des performances du canal, notamment l’affaiblissement du trajet à grande échelle, la dispersion temporelle, la sélectivité fréquentielle et la capacité. Les résultats obtenus ont permis une comparaison détaillée avec d’autres environnements, apportant un éclairage précieux sur les propriétés de propagation en mine souterraine.

La seconde contribution repose sur la modélisation du canal minier souterrain à l’aide de méthodes d’intelligence artificielle. Un modèle de réseau de neurones profonds (DNN) a été conçu pour prédire l’affaiblissement du trajet dans un canal MIMO massif souterrain à 28 GHz. Par la suite, un modèle multi-source a été proposé pour généraliser la prédiction du modèle DNN à d’autres fréquences (26 GHz et 38 GHz) sans nécessiter de nouvelles campagnes de mesure étendues. Cette généralisation s’est déroulée en trois phases distinctes, intégrant d’abord l’affaiblissement en espace libre, affinant ensuite le modèle avec un échantillon de mesures réelles, et utilisant enfin un cGAN pour générer des données synthétiques et améliorer la prédiction aux nouvelles fréquences. Les résultats démontrent que le modèle DNN surpasse les approches classiques en précision prédictive, tandis que le modèle multi-source prédit avec succès l’affaiblissement du trajet à 26 GHz et 38 GHz avec un besoin minimal de mesures supplémentaires.

Cette étude apporte des connaissances précieuses sur les caractéristiques de propagation en mine souterraine et contribue à une meilleure conception des réseaux sans fil industriels. Les résultats obtenus pourraient accélérer l’adoption des technologies de communication avancées, optimisant ainsi la connectivité, la sécurité et l’efficacité des opérations minières dans un environnement de plus en plus numérisé.

ABSTRACT

As mining operations evolve towards the concept of the “smart mine”, the integration of wireless communication technologies helps to address immediate challenges while promoting more sustainable and competitive operations over the long term. In this context,
private 5G networks play a key role, particularly in remote areas where public communications infrastructure is limited. Deploying industrial 5G networks requires significant improvements in bandwidth and spectral efficiency, particularly through millimeter-wave and massive MIMO techniques. However, establishing reliable, highperformance wireless access in an underground mine relies on in-depth knowledge of the channel's characteristics. Unlike conventional tunnels, underground mines present unique challenges related to rough surfaces, restricted space and complex gallery structures.

The first contribution of this thesis is a pioneering experimental analysis of a massive broadband millimeter-wave MU-MIMO channel in an underground mining environment. The measurement campaign was carried out at 28 GHz with a bandwidth of 800 MHz, using an RF-over-Fiber link to extend the measurement range. The study focused on analyzing channel performance, including large-scale path loss, time dispersion, frequency selectivity and capacity. The results obtained enabled an in-depth comparison with other environments, providing valuable insights into propagation characteristics in underground mines.

The second contribution is based on the modeling of the underground mine channel using artificial intelligence methods. A Deep Neural Network (DNN) model was designed to predict path loss in an underground Massive MIMO channel at 28 GHz. Subsequently, a multi-source model was proposed to generalize the prediction of the DNN model to other frequencies (26 GHz and 38 GHz) without requiring new extensive measurement campaigns. This generalization was carried out in three distinct phases: first integrating free-space path loss, then refining the model with a sample of real measurements, and finally using a conditional Generative Adversarial Network (cGAN) to generate synthetic data and improve predictions at new frequencies. The results show that the DNN model outperforms conventional approaches in predictive accuracy, while the multi-source model succeeds in predicting path loss at 26 GHz and 38 GHz with minimal need for additional measurements.

This study provides valuable insights into propagation characteristics in underground mines and paves the way for better design of industrial wireless networks. The results could accelerate the adoption of advanced communication technologies, optimizing connectivity, safety and efficiency of mining operations in an increasingly digitized environment.

Type de document:	Thèse ou mémoires (Thèse de doctorat)
Directeur ou directrice de recherche:	Nedil, Mourad
Mots-clés libres:	Ondes millimétriques, MIMO massif, Intelligence artificielle, Mine souterraine, Millimeter-wave, Massive MIMO, Artificial intelligence, Underground mine
Divisions:	Génie > Doctorat en ingénierie
Date de dépôt:	05 août 2025 17:59
Dernière modification:	05 août 2025 17:59
URI:	https://depositum.uqat.ca/id/eprint/1700

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt