⚡ electrical engineering

UAV-Enabled IoT Networks: A SWIPT Energy Harvesting Architecture with Relay Support for Disaster Response

Este artículo propone una arquitectura de redes de respuesta a desastres habilitada por UAVs que utiliza la técnica SWIPT para optimizar la recolección de energía y el tiempo de vuelo, permitiendo así servir a un mayor número de usuarios de IoT de manera eficiente en comparación con los métodos convencionales.

Autores originales: Hossein Mohammadi Firouzjaei, Javad Zeraatkar Moghaddam, Mehrdad Ardebilipour

Publicado 2026-02-20

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Hossein Mohammadi Firouzjaei, Javad Zeraatkar Moghaddam, Mehrdad Ardebilipour

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como la historia de un mensajero aéreo (un dron) que tiene una misión muy importante en medio de un desastre, pero con un problema: se le está acabando la batería.

Aquí te explico la idea principal usando analogías sencillas:

1. El Problema: El Mensajero Cansado

Imagina que hay un terremoto o una inundación. Las torres de telefonía en la tierra se han roto y la gente no puede llamar a sus familiares ni pedir ayuda.

La solución: Llega un dron (un UAV) que actúa como un "puente" volador.
La misión: El dron debe volar sobre la zona afectada (Zona A), recoger los mensajes de cientos de personas, volar hasta otra zona segura (Zona B) y entregar esos mensajes a una torre de rescate.
El obstáculo: Los drones tienen baterías pequeñas. Si el dron tiene que volar mucho tiempo para recoger muchos mensajes, se quedará sin energía a mitad de camino y no podrá entregar la ayuda. Es como intentar correr una maratón con una pila de AA en el bolsillo: no llegarás lejos.

2. La Vieja Forma (Escenario A): "Solo Corre"

En el método tradicional, el dron simplemente vuela, recoge los datos y se va.

El resultado: Como no tiene energía extra, solo puede atender a unas pocas personas antes de tener que aterrizar para recargar. Es lento y deja a mucha gente sin servicio.

3. La Nueva Idea (Escenario B): "El Dron que Come mientras Trabaja"

Aquí es donde entra la magia del artículo: SWIPT (Transferencia Simultánea de Información y Energía).

Imagina que este dron tiene un traje especial que puede hacer dos cosas a la vez:

Escuchar los mensajes de la gente (Información).
Absorber energía de las ondas de radio que esas mismas personas están usando para enviar sus mensajes (Energía).

La analogía del "Caminante con Células Solares":
Piensa en un ciclista que tiene que cruzar un desierto.

Opción A (Sin SWIPT): El ciclista lleva una botella de agua limitada. Si bebe mucho para correr rápido, se queda sin agua y muere de sed.
Opción B (Con SWIPT): El ciclista lleva un traje que convierte el sol en agua mientras pedalea. ¡Mientras más rápido pedalea y más gente le da "sol" (señales), más agua genera!

En este artículo, el dron "bebe" la energía de las señales de los usuarios de la zona de desastre mientras les escucha. Así, su batería se recarga en el aire mientras trabaja.

4. ¿Cómo lo optimizan? (El "Chef" Matemático)

Los autores no solo dijeron "hagamos esto", sino que hicieron las matemáticas para encontrar la receta perfecta. Se preguntaron:

¿A qué altura debe volar el dron? (Ni muy alto para gastar menos energía, ni muy bajo para recibir mejor señal).
¿Cuánta energía debe "robar" de la señal para recargarse sin dejar de escuchar bien? (Como un chef que decide cuánta sal poner: ni mucha que arruine el plato, ni poca que no tenga sabor).

Encontraron el equilibrio perfecto para que el dron pueda atender a el mayor número de personas posible en el menor tiempo posible, sin quedarse sin batería.

5. El Resultado Final

Gracias a esta técnica:

El dron puede volar más tiempo.
Puede atender a mucha más gente en la zona de desastre.
La red de comunicación se vuelve más eficiente y rápida.

En resumen:
Este paper propone que, en lugar de ver las señales de los teléfonos como un simple ruido que gasta energía, el dron debe verlas como comida y bebida. Al "comer" la energía de las señales mientras habla con la gente, el dron se vuelve un superhéroe capaz de salvar más vidas en menos tiempo durante una catástrofe.

Es como si el dron tuviera un generador de energía infinito alimentado por las mismas personas a las que está ayudando. ¡Una solución brillante para situaciones donde cada segundo y cada vatio cuentan!

Aquí presento un resumen técnico detallado del artículo "UAV-Enabled IoT Networks: A SWIPT Energy Harvesting Architecture with Relay Support for Disaster Response", estructurado según los puntos solicitados:

1. Planteamiento del Problema

El artículo aborda los desafíos críticos en las Redes de Respuesta a Desastres (DRN) donde las infraestructuras terrestres (como estaciones base) fallan debido a catástrofes naturales o conflictos. En estos escenarios, los Vehículos Aéreos No Tripulados (UAV) actúan como estaciones base voladoras (FBS) o relays para restablecer la comunicación entre usuarios de IoT en una zona afectada (NET1) y una estación base en una zona segura (NET2).

Los problemas principales identificados son:

Limitación de Energía: Los UAVs tienen baterías con capacidad finita, lo que restringe su tiempo de vuelo y la cantidad de usuarios que pueden atender.
Ineficiencia en Escenarios Convencionales: En el enfoque tradicional (Escenario A), el UAV recoge datos de los usuarios y luego se desplaza a la segunda zona. Sin embargo, el consumo energético para el vuelo y la comunicación a menudo agota la batería antes de poder servir a todos los usuarios o completar la misión.
Necesidad de Optimización: Existe una falta de modelos que integren simultáneamente la recolección de energía (EH), la transmisión de datos y la optimización del tiempo de vuelo en un solo marco de trabajo para redes de relé UAV.

2. Metodología

Los autores proponen un modelo de sistema que compara dos escenarios distintos, utilizando la tecnología SWIPT (Transferencia Simultánea de Información y Energía):

Escenario A (Convencional): El UAV actúa como relay sin capacidad de recarga durante la operación. Recoge datos de los usuarios de NET1 y viaja a NET2. El tiempo de vuelo y la cobertura de usuarios están estrictamente limitados por la energía inicial de la batería.
Escenario B (Propuesto con SWIPT): El UAV utiliza una arquitectura de receptor de División de Potencia (Power Splitting - PS). Mientras recibe información de los usuarios de NET1 (enlace ascendente), divide la señal recibida:
- Una parte se destina a la Decodificación de Información (ID).
- La otra parte se utiliza para Recolección de Energía (EH) para recargar la batería del UAV.
- Posteriormente, el UAV viaja a NET2 y transmite los datos (enlace descendente).

Modelado Matemático y Optimización:

Se modelan los canales de comunicación (G2A y A2G) considerando componentes de línea de vista (LOS) y no línea de vista (NLOS).
Se formula un problema de optimización cuyo objetivo es minimizar el tiempo total de vuelo ( $T_{total}$ ) del UAV, sujeto a restricciones de energía.
Las variables de optimización son el coeficiente de eficiencia de la batería ( $\eta_{Bat}$ ) y el coeficiente de división de potencia ( $\eta_{PS}$ ).
Se utiliza el método de Lagrange y las condiciones KKT (Karush-Kuhn-Tucker) para encontrar los valores óptimos que permiten al UAV servir al mayor número de usuarios en el menor tiempo posible, garantizando que la energía recolectada cubra el consumo del vuelo y la transmisión.

3. Contribuciones Clave

Integración de SWIPT en Redes de Relé UAV: A diferencia de estudios previos que modelan la recolección de energía y la recopilación de datos por separado, este trabajo integra ambos procesos en un escenario donde el UAV se mueve entre dos áreas, cargando su batería mientras comunica.
Comparativa de Escenarios: Se demuestra cuantitativamente la superioridad del Escenario B (con EH) frente al Escenario A (sin EH), mostrando cómo la recolección de energía permite extender la vida útil de la misión.
Optimización de Parámetros de Red: Se derivan soluciones analíticas para los parámetros óptimos de división de potencia y eficiencia de la batería, equilibrando la tasa de información y la energía recolectada.
Análisis de Sensibilidad: Se estudia el impacto de variables como la densidad de usuarios, la potencia de transmisión, la altitud del UAV y el umbral de datos en el rendimiento general de la red.

4. Resultados de la Simulación

Los resultados de las simulaciones validan las teorías propuestas y muestran lo siguiente:

Reducción del Tiempo de Vuelo: Existe una concordancia perfecta entre los resultados teóricos y las simulaciones. El tiempo total gastado por el UAV disminuye a medida que aumenta la potencia de transmisión de los usuarios, ya que esto incrementa la tasa de comunicación y la energía recolectada.
Mayor Capacidad de Usuarios: En el Escenario B (con SWIPT), el UAV puede servir a un número significativamente mayor de usuarios en comparación con el Escenario A. La energía extra recolectada compensa el consumo del vuelo.
Relación Densidad-Tiempo: Se observa una relación no lineal entre la densidad de usuarios y el tiempo de vuelo. Inicialmente, al aumentar la densidad, el tiempo disminuye debido a la mayor energía recolectada; sin embargo, tras cierto umbral, el tiempo vuelve a aumentar debido a la mayor carga de datos que debe procesar el UAV.
Optimización de Altitud: Se demuestra que la altitud óptima del UAV depende de la potencia de transmisión de los usuarios; a menor potencia, el UAV debe volar más bajo para mantener la conectividad y la eficiencia energética.

5. Significado e Impacto

Este trabajo es significativo para el desarrollo de comunicaciones de emergencia y redes IoT resilientes:

Sostenibilidad Operativa: Al permitir que los UAVs se recarguen "in situ" utilizando las señales de los propios usuarios, se mitiga la limitación más crítica de los drones: la autonomía de la batería.
Eficiencia en Respuesta a Desastres: La capacidad de servir a más usuarios en menos tiempo es crucial en situaciones de crisis donde cada minuto cuenta.
Viabilidad Técnica: Demuestra que la arquitectura de división de potencia (PS) es la más adecuada para equilibrar la recolección de energía y la decodificación de información en este tipo de redes, ofreciendo un marco robusto para futuras implementaciones en 5G y más allá.
Futuras Direcciones: El artículo sugiere que trabajos futuros podrían explorar la integración de sistemas MIMO (Multiple-Input Multiple-Output) con múltiples UAVs y el uso de aprendizaje automático para optimizar aún más la seguridad de los datos y la eficiencia energética.

En resumen, el artículo propone una solución innovadora que transforma el UAV de un simple relay con batería limitada a un nodo autónomo capaz de auto-sostenerse energéticamente durante la operación, maximizando la cobertura y la eficiencia en redes de respuesta a desastres.