⚡ electrical engineering

Outage Probability Analysis of NOMA Enabled Hierarchical UAV Networks with Non-Linear Energy Harvesting

Cet article propose une analyse de la probabilité de coupure pour des réseaux UAV hiérarchiques utilisant l'accès multiple non orthogonal (NOMA) et une récolte d'énergie non linéaire, démontrant que cette architecture surpasse les systèmes sans récolte d'énergie en termes de fiabilité de communication.

Auteurs originaux : Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Publié 2026-03-20

📖 4 min de lecture☕ Lecture pause café

CC0 1.0

Auteurs originaux : Faicel Khennoufa, Khelil Abdellatif, Metin Ozturk, Halim Yanikomeroglu, Safwan Alfattani

Article original placé dans le domaine public sous CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un ciel rempli de drones qui travaillent ensemble pour fournir internet à des zones reculées ou à des villages isolés. C'est l'idée derrière cette recherche, mais avec une petite révolution : ces drones ne s'arrêtent plus de voler parce qu'ils manquent de batterie, et ils parlent tous en même temps sans se marcher sur les pieds.

Voici l'explication de cette étude, traduite en langage simple avec quelques images pour mieux comprendre.

1. Le Problème : Des Drones qui ont faim et qui se parlent mal

Dans les réseaux de communication de demain (la 6G), on veut utiliser des drones (UAV) pour étendre la couverture internet. Mais il y a deux gros problèmes :

La faim d'énergie : Les drones ont des batteries limitées. S'ils doivent voler longtemps, ils s'éteignent.
Le brouhaha : Si plusieurs utilisateurs essaient de parler en même temps sur la même fréquence, ça devient le chaos (comme une salle de classe où tout le monde crie en même temps).

2. La Solution : Une Équipe Hiérarchique et "Autonome"

Les auteurs proposent une organisation intelligente en deux niveaux, un peu comme une entreprise bien structurée :

Le Chef (CHU) : C'est un drone principal qui reste en place, comme un directeur de projet. Il envoie les informations.
Les Employés (CMU) : Ce sont d'autres drones qui volent plus bas. Ils reçoivent les infos du Chef et les redistribuent aux gens au sol (les objets connectés ou "IoT").

L'astuce géniale (La Récolte d'Énergie) :
Au lieu de s'arrêter pour recharger leurs batteries, ces drones "Employés" sont équipés de panneaux solaires... mais pour les ondes radio !
Imaginez qu'ils passent devant un émetteur radio au sol (une "tour de puissance"). Ils capturent l'énergie de ces ondes invisibles pour remplir leurs batteries, exactement comme un écureuil qui ramasse des noix pour l'hiver. C'est ce qu'on appelle la récolte d'énergie non-linéaire (ce qui signifie que plus ils reçoivent d'ondes, plus ils en stockent, mais il y a une limite, comme un seau qui déborde).

3. La Technique de Communication : Le "NOMA" (Le Chœur)

Pour éviter le brouhaha, ils utilisent une technique appelée NOMA.

L'ancienne méthode (OMA) : C'est comme un professeur qui parle à un élève à la fois. C'est lent.
La nouvelle méthode (NOMA) : C'est comme un chef d'orchestre qui permet à plusieurs musiciens de jouer en même temps sur la même partition, mais à des volumes différents. Le récepteur (l'oreille) sait trier les sons pour entendre chaque mélodie distinctement. Cela permet de servir beaucoup plus de monde en même temps.

4. La Réalité du Monde : Les "Défauts" (Hardware Impairments)

Dans les livres de physique, on imagine souvent des machines parfaites. Mais dans la vraie vie, les composants électroniques ont des défauts (comme un micro qui grésille ou un amplificateur qui déforme la voix).
Cette étude est spéciale car elle ne fait pas l'erreur de supposer que tout est parfait. Elle prend en compte ces "imperfections" pour voir comment le système résiste vraiment. C'est comme tester une voiture non pas sur une piste idéale, mais sous la pluie et sur des nids-de-poule.

5. Les Résultats : Ce que l'étude a découvert

Les chercheurs ont fait des simulations mathématiques et ont vu que :

Ça marche mieux avec l'énergie récoltée : Le système qui récolte l'énergie (les drones qui se rechargent en vol) est beaucoup plus fiable que celui qui doit compter sur ses batteries seules. C'est comme comparer un vélo électrique qui se recharge au soleil à un vélo classique qui s'arrête quand la batterie est vide.
Plus de drones, plus de risques : Ajouter plus de drones "Employés" aide à couvrir plus de zone, mais si l'un d'eux tombe en panne ou a une mauvaise connexion, tout le système peut être affecté. Il faut trouver le bon équilibre, comme dans une équipe de sport : trop de joueurs sur le terrain peuvent créer de la confusion.
Les défauts comptent : Même de petits défauts dans les composants électroniques peuvent réduire la performance. Il faut donc concevoir les systèmes en sachant qu'ils ne seront jamais parfaits.

En Résumé

Cette étude propose un système de drones intelligents qui :

Se rechargent eux-mêmes en capturant l'énergie des ondes radio.
Parlent tous ensemble sans se gêner grâce à une technique de communication avancée.
Sont conçus pour fonctionner même avec des composants électroniques imparfaits.

C'est une étape importante vers un futur où nos drones de livraison ou nos réseaux d'urgence pourront voler plus longtemps, plus loin, et de manière plus écologique, sans avoir besoin de se poser pour recharger.

1. Problématique

L'intégration des véhicules aériens sans pilote (UAV) dans les réseaux cellulaires de sixième génération (6G) offre une connectivité améliorée et une couverture étendue, notamment pour les réseaux de l'Internet des Objets (IoT). Cependant, deux défis majeurs limitent leur adoption massive et leur efficacité :

La pénurie d'énergie : Les UAV ont une capacité de batterie limitée, ce qui restreint la durée des missions, en particulier pour les systèmes multi-UAV.
L'efficacité spectrale et les contraintes matérielles : Les communications doivent être efficaces en spectre (gérées par le NOMA) tout en tenant compte des imperfections réalistes des transceivers (Hardware Impairments - HWI) et de la non-linéarité des circuits de récupération d'énergie (Energy Harvesting - EH).

La plupart des travaux existants supposent soit une récupération d'énergie linéaire (irréaliste), soit ignorent les imperfections matérielles, et se concentrent souvent sur des systèmes à UAV unique ou plats, négligeant les architectures hiérarchiques complexes.

2. Méthodologie et Modèle du Système

Les auteurs proposent une architecture de réseau ad hoc hiérarchique à deux couches, intégrant l'accès multiple non orthogonal (NOMA) et une récupération d'énergie non linéaire, le tout sous l'effet des imperfections matérielles (HWI).

Architecture Hiérarchique :
- UAV Chef de Cluster (CHU) : Agit comme source et coordinateur, stationnaire à une altitude fixe.
- UAV Membres du Cluster (CMU) : Agissent comme relais pour acheminer les données vers les dispositifs IoT au sol. Ils sont équipés de batteries pour stocker l'énergie récupérée.
- Balise de Puissance Terrestre (PB) : Émet des signaux RF pour alimenter les CMU.
Protocole de Transmission (Time Switching - TS) :
1. Phase de Récupération d'Énergie ( $\rho T$ ) : Les CMU récupèrent l'énergie du PB. Le modèle utilise une fonction de transfert d'énergie non linéaire avec un seuil de saturation ( $P_{th}$ ), reflétant la réalité des circuits redresseurs.
2. Phase de Transmission (NOMA) : Le CHU envoie un signal superposé aux CMU. Les CMU décodent via l'annulation successive des interférences (SIC).
3. Phase de Relais : Les CMU utilisent l'énergie récoltée pour retransmettre les données aux dispositifs IoT au sol.
Modélisation des Canaux et Contraintes :
- Fading : Les liens suivent une distribution de Nakagami- $m$ . Les liens A2A (Air-Air) sont supposés en visibilité directe (LoS), tandis que les liens A2G (Air-Sol) sont mixtes (LoS/NLoS).
- Imperfections Matérielles (HWI) : Le modèle intègre des bruits de distorsion aux émetteurs et récepteurs (bruit de phase, distorsion d'amplificateur, etc.), caractérisés par un niveau d'impairment agrégé $k^2$ .
- Analyse Théorique : Les auteurs dérivent des expressions analytiques fermées pour la probabilité de coupure (Outage Probability) des dispositifs IoT, d'un CMU individuel et du système global.

3. Contributions Clés

Conception Intégrée : Proposition d'un système hiérarchique combinant NOMA, récupération d'énergie non linéaire et prise en compte des HWI, offrant une évaluation plus réaliste que les modèles linéaires idéalisés.
Analyse Mathématique Rigoureuse : Dérivation des expressions de probabilité de coupure pour :
- Chaque dispositif IoT au sol.
- Un CMU individuel (probabilité de coupure du relais).
- Le système global (probabilité de coupure de l'ensemble du réseau à $L$ CMU).
Comparaison de Scénarios : Évaluation comparative contre des systèmes de référence (sans récupération d'énergie et avec récupération linéaire) pour démontrer la supériorité de l'approche proposée.

4. Résultats Principaux

Les simulations valident les expressions analytiques et mettent en évidence les points suivants :

Avantage de l'EH : Le système avec récupération d'énergie (EH) surpasse systématiquement le système sans EH, avec un gain estimé de 8 à 12 dB en termes de probabilité de coupure.
Effet de la Non-Linéarité et du Seuil ( $P_{th}$ ) : À haute puissance d'émission, la courbe de coupure atteint un plancher (outage floor). Cela est dû au seuil de saturation des circuits de rectification non linéaires : au-delà d'une certaine puissance, l'énergie supplémentaire ne peut être convertie efficacement.
Impact des HWI : La dégradation des performances est notable même avec des niveaux d'imperfection modérés ( $K=0.15$ ). L'augmentation du seuil de saturation ( $P_{th}$ ) permet de mieux atténuer l'impact des HWI en permettant une utilisation plus efficace de l'énergie récoltée.
Paramètre de Fading ( $m$ ) : L'augmentation du paramètre de forme de Nakagami- $m$ améliore la diversité du système et réduit la probabilité de coupure, car cela correspond à des conditions de fading moins sévères.
Nombre de CMU ( $L$ ) : Paradoxalement, augmenter le nombre de CMU pour étendre la couverture augmente la probabilité de coupure globale. En effet, avec plus de relais, la probabilité qu'au moins l'un d'eux subisse une mauvaise condition de canal ou une coupure augmente (effet de la chaîne la plus faible).

5. Signification et Conclusion

Cette étude fournit un cadre pratique et réaliste pour l'analyse des réseaux UAV assistés pour les communications 6G et IoT. Elle démontre que :

L'intégration de la récupération d'énergie non linéaire et du NOMA est cruciale pour l'efficacité énergétique et spectrale.
Ignorer les imperfections matérielles (HWI) et la non-linéarité de l'EH conduit à une surestimation des performances réelles.
L'optimisation du nombre de relais (CMU) est un compromis critique : une trop grande densité de relais peut dégrader la fiabilité globale du réseau.

Ce travail comble un vide dans la littérature en proposant une analyse complète des réseaux UAV hiérarchiques sous des contraintes matérielles et énergétiques réalistes, offrant des directives précieuses pour la conception de futurs réseaux de communication sans fil durables.