⚡ electrical engineering

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

Dit artikel introduceert een nauwkeurig analytisch padverliesmodel voor Terahertz-band luchtcommunicatie dat willekeurige driedimensionale transceivergeometrieën en frequentie-selectieve absorptie integreert, en dit model gevalideerd met simulatiegegevens voor diverse luchtverbindingen.

Oorspronkelijke auteurs: Sina Jorjani, Caglar Tunc, Ozgur Gurbuz, Akhtar Saeed

Gepubliceerd 2026-04-01

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Sina Jorjani, Caglar Tunc, Ozgur Gurbuz, Akhtar Saeed

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Onzichtbare Muur in de Lucht: Een Simpele Uitleg van het Nieuwe THz-Model

Stel je voor dat je een superkrachtige radio hebt die data kan sturen met de snelheid van het licht, veel sneller dan wat we nu hebben. Dit is de Terahertz (THz)-band, de toekomst van internet voor 6G. Het is als een onzichtbare, razendsnelle superhighway in de lucht.

Maar er is een groot probleem: deze snelweg is niet vrij van obstakels. De lucht zelf is niet leeg; hij zit vol met waterdamp en zuurstof. Voor deze hoge frequenties is de lucht als een dichte, plakkerige honing. Hoe langer je door deze honing moet vliegen, hoe meer energie je verliest. Dit noemen we verlies (path loss).

Tot nu toe hadden wetenschappers kaarten voor deze snelweg, maar die waren onvolledig. Ze hadden alleen kaarten voor:

Horizontaal: Twee drones die naast elkaar vliegen (alsof je op een rechte weg rijdt).
Verticaal: Een drone recht onder een ander (alsof je een lift neemt).

Maar wat als je drone schuin omhoog vliegt? Of als ze in een willekeurige 3D-ruimte rondzweven? De oude kaarten werkten daar niet goed.

De Oplossing: Een 3D-Compass

De auteurs van dit paper (Sina Jorjani en zijn team) hebben een nieuwe, slimme formule bedacht. Ze hebben een model gemaakt dat werkt voor elke denkbare positie in de lucht, of de ontvangers nu recht boven elkaar zitten, schuin staan of ver uit elkaar.

Ze hebben dit gedaan alsof ze een recept voor een perfecte cake hebben geschreven, maar dan voor radio-golven. In plaats van te zeggen "bak de cake 10 minuten", zeggen ze: "Als de temperatuur X is, de hoogte Y is en de afstand Z, dan is de tijd precies dit."

Hoe werkt hun "Recept"?

Ze hebben een digitale simulator gebruikt (een soort virtuele weersvoorspeller) om te zien hoe de lucht de signalen opslorpt. Vervolgens hebben ze een slimme wiskundige truc gebruikt, die we drie-staps-regressie kunnen noemen:

Stap 1 (De Basis): Ze keken eerst alleen naar de afstand. Hoe verder weg, hoe zwakker het signaal.
Stap 2 (De Hoogte): Ze ontdekten dat de lucht op grote hoogte (waar vliegtuigen vliegen) veel dunner is dan laag bij de grond. Dus, hoe hoger je vliegt, hoe minder "honing" er in de weg zit.
Stap 3 (De Frequentie): Ze keken naar de kleur van het signaal (de frequentie). Sommige kleuren worden sneller opgegeten door waterdamp dan andere.

Ze hebben deze drie stappen samengevoegd tot één eindformule. Deze formule is als een GPS-navigatiesysteem dat niet alleen de afstand berekent, maar ook rekening houdt met het weer, de hoogte en de hoek van je reis, en je precies vertelt hoeveel "kracht" je signaal nog overhoudt.

Twee Manieren om te Rekenen

Ze hebben twee manieren bedacht om dit te doen, afhankelijk van hoe precies je wilt zijn:

De "Alles-in-Één" Methode (θ-agnostic): Dit is de snelle, handige methode. Het is alsof je een algemene kaart gebruikt die voor bijna elke situatie goed genoeg is. Het is snel te berekenen en werkt geweldig als je hoog vliegt (waar de lucht dun is en het verlies klein is).
De "Specifieke Hoek" Methode (θ-adaptive): Dit is de dure, super-precieze methode. Het is alsof je voor elke specifieke hoek van je reis een nieuwe, gedetailleerde kaart tekent. Dit is nodig als je laag vliegt (bijvoorbeeld drones die dicht bij elkaar zijn), omdat daar de "honing" van de lucht het signaal het hardst aanvalt. Hier is elke graad van hoek belangrijk.

Waarom is dit belangrijk?

Vroeger moesten ingenieurs complexe computersimulaties draaien om te weten of hun droneverbinding zou werken. Met dit nieuwe model kunnen ze dit direct berekenen met een simpele formule.

Voor drones: Ze kunnen nu precies plannen hoe ver ze van elkaar mogen vliegen zonder dat het signaal wegvalt.
Voor vliegtuigen en satellieten: Ze kunnen de beste routes kiezen waar de lucht het "dunst" is voor het signaal.
Voor de toekomst: Het helpt bij het bouwen van een wereldwijd netwerk dat werkt in de lucht, op de grond en in de ruimte.

Kortom: Dit paper geeft ons de juiste "luchtkaart" voor de snelste internetverbindingen van de toekomst. Het zorgt ervoor dat we niet vastlopen in de "honing" van de atmosfeer, maar soepel kunnen vliegen, ongeacht hoe we door de lucht bewegen.

Probleemstelling

De opkomst van ultra-hoge datasnelheidstoepassingen (zoals digitale tweelingen, VR/AR en 3D-streaming) maakt de migratie naar hogere frequentiebanden, specifiek het Terahertz (THz)-band (0,1–10 THz), noodzakelijk voor toekomstige 6G-netwerken. Hoewel dit band grote bandbreedtes biedt, ondervinden radio-golven in dit bereik aanzienlijke verliezen door:

Ruimtelijke spreiding (Free-Space Path Loss).
Atmosferische absorptie: Voornamelijk veroorzaakt door waterdamp en zuurstofmoleculen, wat sterk afhankelijk is van frequentie, hoogte en weersomstandigheden.

Bestaande modellen voor THz-padverliezen in luchtcommunicatie zijn vaak beperkt tot specifieke geometrieën (uitsluitend horizontale of verticale transceiver-plaatsing) of zijn scenario-specifiek. Er ontbreekt een algemeen analytisch model dat de willekeurige 3D-geometrie van transceivers (bijv. drones op verschillende hoogtes en hoeken) en de frequentie-selectieve absorptie over een breed spectrum (0,1–1 THz) accuraat kan modelleren.

Methodologie

De auteurs stellen een nieuw analytisch padverliesmodel voor dat de totale verliezen ( $L_{total}$ ) decomposeert in twee componenten:
$L_{total} = L_{fspl} + L_{abs}$
Waarbij $L_{fspl}$ het vrije-ruimte padverlies is en $L_{abs}$ het absorptieverlies, gerelateerd aan de transmissie ( $\tau$ ).

Data-Generatie:

Gegevens zijn gegenereerd met de Atmospheric Model (am) tool onder het US Standard Atmosphere 1976 profiel.
Drie scenario's zijn onderzocht:
1. Dr2Dr: Drone-tot-drone (laag, 0–0,5 km).
2. MAAC: Medium-altitude aerial communication (1–15 km).
3. U2U: High-altitude UAV-to-UAV (15–50 km).
Het spectrum beslaat 0,1 tot 1 THz, met selectie van 10 representatieve sub-banden die de scherpe moleculaire absorptiepieken vermijden.

Modellering (Gekaskadeerde Regressie):
Het model gebruikt een datagedreven aanpak om de transmissie $\tau$ te benaderen als een functie van horizontale afstand ( $d_h$ ), verticale afstand ( $d_v$ ), altitude ( $l$ ) en frequentie ( $f$ ). Dit gebeurt in drie stappen:

Exponentiële afstand: Transmissie wordt gemodelleerd als een exponentiële functie van $d_h$ en $d_v$ voor vaste hoogte en frequentie.
Exponentiële hoogte: De coëfficiënten van stap 1 worden gemodelleerd als exponentiële functies van de altitude $l$ .
Polynoom frequentie: De resulterende coëfficiënten worden benaderd door polynomen als functie van de frequentie.

Twee Implementatiebenaderingen:
De auteurs vergelijken twee methoden om de parameters te schatten:

$\theta$ -agnostisch (Onafhankelijk van de zenit-hoek): Het model wordt één keer gefit op het volledige dataset, waarbij horizontale en verticale componenten gescheiden worden. Dit levert een gesloten vorm op die expliciet afhankelijk is van de zenit-hoek $\theta$ .
$\theta$ -adaptief: De regressie wordt onafhankelijk uitgevoerd voor elke specifieke zenit-hoek $\theta$ . Dit is complexer (meer coëfficiënten) maar past zich direct aan de hoek aan zonder gescheiden componenten.

Belangrijkste Bijdragen

Universeel 3D-Model: Het eerste analytische model dat willekeurige 3D-posities van transceivers (niet beperkt tot puur horizontaal of verticaal) behandelt voor THz-luchtcommunicatie.
Brede Frequentie- en Hoogte-dekking: Validatie over tien sub-banden in het 0,1–1 THz bereik en over een breed scala aan hoogtes (van de grond tot 50 km).
Vergelijkende Analyse: Een gedetailleerde vergelijking tussen een $\theta$ -agnostische en $\theta$ -adaptieve aanpak, waarbij de trade-off tussen nauwkeurigheid en rekencomplexiteit wordt geanalyseerd.
Gesloten Formule: Het resultaat is een analytische uitdrukking die snel padverlies kan berekenen zonder zware numerieke simulaties, essentieel voor linkbudget-analyses.

Resultaten

De prestaties zijn geëvalueerd aan de hand van de Genormaliseerde Root Mean Square Error (NRMSE) vergeleken met de referentie-data van de am-tool.

Dr2Dr (Laag): De $\theta$ -adaptieve methode presteert aanzienlijk beter (bijna een orde van grootte lagere NRMSE) dan de $\theta$ -agnostische methode. In lage luchtlagen is absorptie dominant en is de hoekafhankelijkheid kritiek.
MAAC (Midden): De prestatieverschillen nemen af naarmate de hoogte toeneemt en de absorptie afneemt. Beide methoden naderen de prestaties van een puur FSPL-model, maar $\theta$ -adaptief blijft iets nauwkeuriger.
U2U (Hoog): Op grote hoogtes (15–50 km) is de atmosfeer zo dun dat absorptie verwaarloosbaar is ten opzichte van FSPL. Hier convergeren de fouten van beide methoden en zelfs met het simpele FSPL-model. De $\theta$ -agnostische methode is hier preferabel vanwege de lagere complexiteit.
Geometrische Invloed: De $\theta$ -agnostische methode toont degradatie bij extreme zenit-hoeken, terwijl de $\theta$ -adaptieve methode stabiele nauwkeurigheid behoudt over alle hoeken.

Betekenis en Toekomstperspectief

Dit werk biedt een unificerend raamwerk voor het analyseren en ontwerpen van toekomstige hoogfrequente luchtcommunicatiesystemen.

Praktische Toepassing: Het model maakt snelle linkbudget-analyses en dekkingplanning mogelijk voor dynamische netwerken (zoals drone-zwermen of HAPS) zonder herhaalde zware simulaties.
Toekomstige Netwerken: Het is cruciaal voor geïntegreerde ruimte-lucht-grondnetwerken en adaptieve beamforming, waar de geometrie dynamisch verandert.
Aanbeveling: Voor lage hoogtes (waar absorptie hoog is) wordt de $\theta$ -adaptieve methode aanbevolen voor maximale nauwkeurigheid. Voor hoge hoogtes (waar absorptie laag is) is de $\theta$ -agnostische methode voldoende en efficiënter.

Toekomstig werk zal gericht zijn op het uitbreiden van het model naar variërende weersomstandigheden (regen, mist) en het valideren met experimentele propagatiemetingen.