⚡ electrical engineering

A Three-Dimensional Path Loss Model for THz Band Aerial Communications

Questo articolo propone un nuovo modello analitico di perdita di percorso per le comunicazioni aeree nella banda Terahertz che, integrando la geometria tridimensionale arbitraria e l'assorbimento selettivo in frequenza, supera i limiti dei modelli esistenti per fornire una caratterizzazione unificata e accurata di vari collegamenti aerei.

Autori originali: Sina Jorjani, Caglar Tunc, Ozgur Gurbuz, Akhtar Saeed

Pubblicato 2026-04-01

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Sina Jorjani, Caglar Tunc, Ozgur Gurbuz, Akhtar Saeed

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di voler costruire una rete di comunicazione futuristica dove i droni, gli aerei e i satelliti parlano tra loro usando onde radio invisibili e super-potenti, chiamate Terahertz (THz). È come se volessimo inviare dati alla velocità della luce, con una capacità così enorme da poter scaricare un intero film in un millisecondo.

Tuttavia, c'è un grande problema: queste onde sono molto "fragili". Quando viaggiano nell'aria, vengono assorbite dall'umidità (vapore acqueo) e dall'ossigeno, proprio come un messaggio scritto su un foglio di carta che si scioglie se cade sotto la pioggia. Più l'aria è umida e densa (vicino al suolo), più il messaggio si perde.

Il Problema: La Mappa è Sbagliata

Fino ad ora, gli scienziati avevano delle "mappe" (modelli matematici) per prevedere quanto si indebolisce questo segnale. Ma queste mappe erano molto rigide:

Dicevano: "Se il drone A è esattamente sopra il drone B, ecco cosa succede".
Oppure: "Se sono uno accanto all'altro, ecco cosa succede".

Ma nel mondo reale, i droni volano in modo caotico! Possono essere uno più in alto, uno più in basso, e spostati lateralmente in qualsiasi direzione. Le vecchie mappe non sapevano gestire questa geometria 3D casuale, come se cercassimo di navigare in una città usando solo una mappa che mostra strade perfettamente dritte e parallele.

La Soluzione: Una "Bussola" Intelligente

Gli autori di questo articolo (Sina Jorjani e colleghi) hanno creato una nuova bussola matematica. Invece di guardare solo la distanza orizzontale o verticale, il loro modello guarda la posizione esatta dei due dispositivi nello spazio tridimensionale, come se avesse una vista aerea perfetta.

Hanno usato un trucco intelligente, simile a come si impara a cucinare:

L'Esperimento: Hanno usato un potente software (chiamato Atmospheric Model o "am") per simulare milioni di viaggi del segnale attraverso l'aria, cambiando altezza, distanza e frequenza, proprio come un cuoco che prova lo stesso piatto con ingredienti diversi.
La Ricetta (Il Modello): Hanno analizzato questi dati per trovare una "ricetta" matematica. Invece di memorizzare ogni singolo risultato, hanno creato una formula che combina tre ingredienti principali:
- Distanza Orizzontale: Quanto sono distanti lateralmente.
- Distanza Verticale: Quanto sono distanti in altezza.
- Frequenza: Il "colore" dell'onda radio usata.

I Due Metodi: La Bussola Semplice vs. La Bussola di Precisione

Per usare questa nuova ricetta, hanno sviluppato due approcci, come se avessero due tipi di navigatori GPS:

Il Navigatore "Adattivo" (θ-adaptive): È come un GPS di lusso che calcola la rotta specifica per ogni angolo preciso in cui si trova il drone. È super preciso, specialmente quando si vola basso (dove l'aria è umida e il segnale soffre molto), ma richiede più calcoli, come se avesse bisogno di una batteria più grande.
Il Navigatore "Indifferente" (θ-agnostic): È un GPS più semplice che usa una formula unica per tutti gli angoli. È più veloce e leggero da calcolare. Funziona benissimo quando si vola in alta quota (dove l'aria è rarefatta e il segnale viaggia quasi libero), dove la precisione estrema non è necessaria.

Perché è Importante?

Immagina di dover pianificare una rete di droni per consegnare pacchi o per il soccorso in caso di disastri. Con il vecchio modello, avresti dovuto fare calcoli complessi ogni volta che un drone si spostava di un metro. Con questo nuovo modello, hai una formula semplice e veloce che ti dice: "Ehi, se metti il drone qui e l'altro là, il segnale arriverà forte e chiaro".

In sintesi, questo lavoro ha creato una mappa universale per le comunicazioni aeree del futuro. Ci permette di progettare reti di droni e satelliti che funzionano in modo affidabile, indipendentemente da come si muovono nel cielo, garantendo che i nostri dati viaggino veloci e sicuri, anche attraverso le nuvole e l'aria umida.

Titolo

Modello di Perdita di Percorso Tridimensionale per le Comunicazioni Aeree nella Banda Terahertz

1. Problema e Contesto

Con l'avvento di applicazioni a ultra-alto tasso di dati (digital twin, realtà virtuale/aumentata, streaming 3D) e la crescita del numero di dispositivi connessi, la migrazione verso bande di frequenza elevate, in particolare il Terahertz (THz, 0.1–10 THz), è diventata inevitabile per i sistemi 6G. Tuttavia, le onde radio in queste frequenze subiscono perdite significative dovute a:

Perdita di spazio libero (FSPL): Proporzionale alla distanza e alla frequenza.
Perdita per assorbimento atmosferico: Causata principalmente da vapore acqueo e ossigeno, che varia drasticamente in base alla frequenza, alle condizioni atmosferiche (nebbia, pioggia) e all'altitudine.

Il Gap di Ricerca:
I modelli esistenti per le reti aeree (aeree) si concentrano spesso su configurazioni puramente orizzontali o verticali, fallendo nel modellare la geometria 3D casuale delle posizioni dei trasmettitori e ricevitori (es. droni che volano a diverse altitudini e distanze orizzontali). Inoltre, molti modelli sono specifici per scenari particolari e non offrono una visione unificata per geometrie arbitrarie.

2. Metodologia Proposta

Gli autori propongono un nuovo modello analitico di perdita di percorso che integra la geometria 3D arbitraria e l'assorbimento selettivo in frequenza.

A. Modello di Sistema

Scenario: Due trascevieri (es. droni $N_1$ e $N_2$ ) posizionati in coordinate cartesiane $(x, y, z)$ .
Geometria: La distanza totale $d$ è scomposta in distanza orizzontale ( $d_h$ ) e verticale ( $d_v$ ), con un angolo zenitale $\theta$ .
Equazione di Perdita: La perdita totale $L_{total}$ è la somma della perdita di spazio libero ( $L_{fspl}$ ) e della perdita per assorbimento ( $L_{abs}$ ):
$L_{total} = L_{fspl} + L_{abs}$
Dove $L_{abs}$ è derivata dalla trasmittanza $\tau$ , definita come l'inverso del coefficiente di assorbimento.

B. Approccio Data-Driven e Regressione a Cascata

Il modello utilizza dati di trasmittanza generati dallo strumento Atmospheric Model (am) (basato sul profilo atmosferico standard USA 1976) e applica una regressione a tre livelli per derivare una formula analitica chiusa:

Fase 1 (Spaziale): Modellazione della trasmittanza come funzione esponenziale delle distanze orizzontale e verticale a frequenza e altitudine fisse.
Fase 2 (Altitudine): I coefficienti esponenziali della Fase 1 sono modellati come funzioni esponenziali dell'altitudine.
Fase 3 (Frequenza): I coefficienti risultanti sono approssimati mediante funzioni polinomiali della frequenza.

Il risultato finale è un'espressione chiusa per la trasmittanza $\hat{\tau}(l, d_h, d_v, f)$ che combina rami orizzontali e verticali.

C. Due Approcci di Implementazione

Per gestire l'angolo zenitale $\theta$ , sono stati sviluppati due metodi:

Approccio $\theta$ -agnostico: Esegue la regressione su tutto il dataset indipendentemente dall'angolo. Produce un modello unificato con un numero fisso di coefficienti.
Approccio $\theta$ -adattivo: Esegue la regressione separatamente per ogni valore discreto di $\theta$ . È più complesso computazionalmente ma si adatta meglio alle variazioni angolari specifiche.

3. Contributi Chiave

Geometria 3D Arbitraria: Il modello supera i limiti dei precedenti studi (orizzontali/verticali) permettendo di calcolare la perdita di percorso per trascevieri in posizioni 3D qualsiasi.
Copertura di Frequenza Estesa: Analisi dettagliata su 10 bande sub-banda rappresentative nel range 0.1–1 THz.
Validazione Multi-Scenario: Il modello è stato testato su tre scenari aerei distinti:
- Dr2Dr: Drone-to-Drone (bassa altitudine, 0-0.5 km).
- MAAC: Comunicazioni aeree a media altitudine (1-15 km).
- U2U: UAV-to-UAV e HAPS ad alta altitudine (15-50 km).
Complessità vs. Accuratezza: Confronto sistematico tra l'approccio semplice ( $\theta$ -agnostico) e quello complesso ( $\theta$ -adattivo).

4. Risultati Sperimentali

I risultati sono stati valutati utilizzando l'errore quadratico medio normalizzato (NRMSE) confrontando il modello con i dati di riferimento am.

Scenario Dr2Dr (Bassa Altitudine):
- L'assorbimento atmosferico è dominante.
- L'approccio $\theta$ -adattivo supera significativamente quello $\theta$ -agnostico (NRMSE inferiore di un ordine di grandezza), dimostrando la necessità di adattarsi all'angolo in ambienti densi.
Scenario MAAC (Media Altitudine):
- L'assorbimento diminuisce. Il divario di prestazioni tra i due approcci si riduce, ma l'approccio adattivo rimane leggermente superiore.
Scenario U2U (Alta Altitudine):
- L'atmosfera è molto rarefatta; l'assorbimento è trascurabile rispetto alla FSPL.
- Entrambi i modelli convergono verso le prestazioni del modello FSPL-only. L'approccio $\theta$ -agnostico è preferibile qui per la sua minore complessità computazionale, dato che il guadagno di accuratezza dell'approccio adattivo è marginale.
Dipendenza dalla Distanza e Angolo:
- L'errore aumenta linearmente con la distanza.
- L'approccio $\theta$ -agnostico degrada agli angoli zenitali estremi, mentre quello adattivo mantiene un errore stabile su tutti gli angoli.

5. Significato e Implicazioni

Questo lavoro fornisce un quadro unificato e accurato per l'analisi e la progettazione di sistemi di comunicazione aerei ad alta frequenza.

Utilità Pratica: Il modello offre un'espressione in forma chiusa che permette di eseguire rapidamente l'analisi del link budget e la pianificazione della copertura senza bisogno di simulazioni numeriche ripetute.
Applicazioni Future: È fondamentale per le reti integrate spazio-aereo-terra, il tracciamento della mobilità e il beamforming adattivo, dove la geometria cambia dinamicamente.
Scalabilità: Offre ai progettisti la flessibilità di scegliere tra un modello più preciso (adattivo) per scenari critici a bassa quota o un modello più efficiente (agnostico) per collegamenti ad alta quota.

In sintesi, il paper colma una lacuna significativa nella modellazione delle comunicazioni THz aeree, fornendo strumenti essenziali per l'implementazione pratica delle reti 6G non terrestri.