| Source DB | nl |
|---|
| Institution | UGent |
|---|
| Code | 446b56c7-cf4b-4e14-8b47-9b23811801e2 |
|---|
| Unit | 16a28d37-6005-49e4-be1b-46b8c76f6640
|
|---|
| Begin | 10/1/2020 |
|---|
| End | 9/30/2023 |
|---|
| title fr |
|
|---|
| title nl | Nieuwe technieken voor de de karakterisering van radiofrequente elektromagnetische golven in stedelijke omgevingen
|
|---|
| title en | Next-Generation Techniques for the Assessment of Radiofrequency Electromagnetic Fields in Urban Environments
|
|---|
| Description fr |
|
|---|
| Description nl | Met de evolutie van telecommunicatienetwerken om onze alsmaar groeiende honger naar data te stillen, evolueert ook onze blootstelling aan radiofrequente (RF) elektromagnetische velden (EMV). Dit onderzoeksvoorstel is gericht op het gelijke tred houden met de huidige evolutie in draadloze telecommunicatie, zoals de invoering van massieve MIMO (Multiple-Input Multiple-Output) en bundelvorming in de vierde generatie (4G) technologie Long Term Evolution (LTE), en het verwachte wijdverspreide gebruik ervan in 5G New Radio (NR). Terwijl RF-EMV blootstelling alsmaar meer gebruiksafhankelijk wordt, zijn huidige meetmethodes te statisch en te kort, en negeren ze de invloed van de gebruiker. De eerste twee problemen (statisch en kort) worden hier aangepakt door het ontwerpen van een uitgestrekt sensornetwerk dat continu omgevings-RF-EMV opmeet. De derde kwestie (invloed van de gebruiker) wordt verwacht een dominante rol te spelen in 5G NR. Daarom is het van belang nieuwe meetmethodes te ontwerpen en ze continu aan te passen aan technologische vorderingen en nieuwe gebruiken volgend in het zog van nieuwe versies van 5G NR. Gezien de grote hoeveelheid (miljoenen punten) en verscheidenheid (verschillende meetapparatuur) aan data die verwacht wordt, zullen we bij de analyse kunstmatige intelligentietechnieken en stochastische methodes gebruiken. Dit onderzoek zal leiden tot een betere karakterisering en een beter begrip van onze huidige en toekomstige blootstelling aan RF-EMV.
|
|---|
| Description en | As telecommunications networks evolve to cope with ever-increasing user demands, so does our exposure induced by radiofrequency (RF) electromagnetic fields (EMF). This research proposal aims at keeping pace with the ongoing evolution in wireless telecommunications, such as the introduction in of Massive MIMO (Multiple-Input Multiple-Output) and beamforming in the fourth generation (4G) technology Long Term Evolution (LTE), and their anticipated widespread use in 5G New Radio (NR). As RF-EMF exposure becomes more user-dependent, current measurement methods are too static, too short, and/or ignore the user dimension. The first two concerns (static and short-term) will be mitigated by designing extensive, static as well as mobile, sensor networks that continuously monitor environmental RF-EMF. The third issue (user dimension) is expected to become a dominant factor with the introduction of 5G NR. Hence, new measurement methods are required depending on technological advances and possible novel use cases introduced with subsequent releases of 5G NR. Moreover, as the collected measurement data are expected to be numerous (millions of data points) and of heterogeneous origin (different measurement devices), artificial intelligence (AI) machine learning techniques and stochastic methods will be explored. The combined objectives of this proposal will lead to a better characterization and a better understanding of our current and future exposures to RF-EMF in the urban environment.
|
|---|
| Qualifiers | - 5G New Radio - Blootstelling aan elektromagnetische velden - monitoring network - monitoringnetwerk - radiofrequency electromagnetic field exposure assessment - telecommunicatienetwerken - |
|---|
| Personal | Joseph Wout, Aerts Sam, Martens Luc |
|---|
| Collaborations | |
|---|
