Ir al contenido
  • Inicio
  • Recursos
  • Modelización de la incertidumbre en la propagación urbana mediante la teoría de Montecarlo
Ejemplos de aplicación

Modelización de la incertidumbre en la propagación urbana mediante la teoría de Montecarlo

Solicitar archivos de proyectos

Monte Carlo ofrece la oportunidad de manejar la incertidumbre en un escenario mediante el muestreo aleatorio de los parámetros de entrada para obtener resultados para cada situación única y proporcionar un límite para los mejores y peores escenarios. Es una forma de determinar la sensibilidad de los resultados a un parámetro dentro de un escenario. Wireless InSite utiliza el concepto de Monte Carlo para variar parámetros del proyecto como el tipo de material, las propiedades del material, la potencia del transmisor y la frecuencia. Por ejemplo, si no sabe si los edificios de una escena son predominantemente de cristal o de hormigón, puede establecer el material de los edificios en un Monte Carlo multimaterial para determinar la potencia máxima y mínima recibida y acotar el impacto que la variación del tipo de material podría tener en sus resultados. Del mismo modo, si las propiedades del material (por ejemplo, la conductividad o la permitividad) son inciertas, puede utilizar un material de una sola capa con parámetros variables de Monte Carlo para explorar la sensibilidad de los resultados a los cambios en la permitividad, la conductividad, la rugosidad o el grosor. Simular varios escenarios utilizando el concepto de Monte Carlo no sólo ahorra tiempo en comparación con la medición, sino que también ahorra tiempo en comparación con la ejecución de las simulaciones individualmente. La utilidad Monte Carlo de Wireless InSite toma muestras pseudoaleatorias de las distribuciones proporcionadas para producir una estimación estadística del valor máximo, mínimo, etc. en función de los parámetros solicitados.

En este ejemplo, se define un material monocapa con parámetros variables Monte Carlo y se aplica a los edificios de una ciudad. La simulación se ejecuta utilizando el modelo X3D de Wireless InSite y los resultados se examinan para el mejor y el peor escenario. Un parámetro variable Monte Carlo de una sola capa se define como una definición de material que contiene un rango de valores de permitividad, conductividad, rugosidad y espesor. Otra opción sería utilizar el Monte Carlo multi-material que permite al usuario variar los tipos de material como hormigón o asfalto para probar diferentes condiciones.

El primer paso consiste en abrir un archivo de ciudad y un archivo de terreno asociado. En este caso se utilizaron los archivos de ciudad y terreno de Rosslyn que se proporcionan en el software. La figura 1 muestra el aspecto que tendrá el escenario tras abrir estos archivos.

Figura 1Escenario tras abrir los archivos de ciudad y terreno en Wireless InSite.

Figura 1: Escenario tras abrir los archivos de ciudad y terreno en Wireless InSite.

 

Wireless InSite puede superponer una imagen sobre cualquier característica del terreno. Puede incluir imágenes de calles, imágenes de follaje, imágenes del terreno, etc. Los formatos aceptados son archivos GeoTIFF y TIFF. Una vez importado en el software un archivo GeoTiff de imágenes de calles, el escenario tendrá el aspecto que se muestra en la figura 2.

 

Figura 2Escenario tras la importación del archivo de imágenes.

Figura 2: Escenario tras la importación del archivo de imágenes.

 

El siguiente paso es definir el material monocapa de parámetros variables Monte Carlo en Wireless InSite. La definición del material de parámetro variable es similar a la definición de un material normal en Wireless InSite. La ventana de propiedades del material se puede ver en la Figura 3. El parámetro del material se define haciendo clic en el botón Monte Carlo situado junto a cada parámetro. En este caso, la permitividad varía de 2 a 10, siendo 6 el punto medio. La figura 4 muestra cómo se define la variación de Monte Carlo para este caso. La definición de la distribución también se define aquí. Las opciones son Uniforme y Normal. En este caso, se elegirá Uniforme. Una vez que la variación Monte Carlo está activa para la permitividad, las iniciales "MC" aparecerán junto al parámetro, como se ve en la Figura 5.

 

Figura 3Ventana de propiedades de parámetros variables de Monte Carlo.

Figura 3: Ventana de propiedades de los parámetros variables de Monte Carlo.

 

Figura 4Ventana de parámetros de Monte Carlo.

Figura 4: Ventana de parámetros de Monte Carlo.

 

Figura 5Ventana de parámetros variables de Monte Carlo una vez activado Monte Carlo.

Figura 5: Ventana de parámetros variables de Monte Carlo una vez activado Monte Carlo.

 

Una vez definidos el resto de los parámetros del escenario, que incluyen las ubicaciones del transmisor, las ubicaciones del receptor, las antenas y las formas de onda, se puede definir el modelo de propagación. Las ubicaciones de los receptores se fijaron en una ruta por el centro de la calle. En este caso se utiliza el modelo X3D, que proporciona la capacidad Monte Carlo, junto con la aceleración GPU. El modelo de propagación se define en la ventana de propiedades del área de estudio dentro de Wireless InSite. El número de iteraciones para la evaluación de Monte Carlo puede definirse junto con los resultados estadísticos correspondientes, como puede verse en la Figura 6. La configuración completa con la ruta del transmisor y el receptor puede verse en la Figura 7.

 

Figura 6Ventana de propiedades de Monte Carlo.

Figura 6: Ventana de propiedades de Monte Carlo.

 

Figura 7Escena completa dentro de la GUI Wireless InSite.

Figura 7: Escena completa dentro de la GUI Wireless InSite.

 

La figura 8 muestra la potencia recibida mínima, media y máxima para una ruta de receptores por una calle de la ciudad. El gráfico muestra que a medida que los receptores se alejan del transmisor hay más diferencia entre los valores mínimo y máximo. A 70 m hay una diferencia de 11 dBm. A 10 m del transmisor hay menos de 2dBm de diferencia. Esto muestra el impacto que tienen los tipos de material en la propagación a través de la escena. El gráfico representa los escenarios mejor (máximo) y peor (mínimo) dentro de una escena, y permiten al usuario comprender mejor cómo afectará la variación del material a sus resultados finales.

 

Figura 8Potencia mínima, media y máxima recibida como resultado de las simulaciones de Monte Carlo.

Figura 8: Potencia recibida mínima, media y máxima como resultado de las simulaciones de Monte Carlo.

 

La potencia recibida no es la única salida compatible con la salida estadística mínima, media y máxima de los materiales de Monte Carlo. Wireless InSite también calcula estos valores para la pérdida de trayecto y la ganancia de trayecto. La figura 9 muestra los resultados de Monte Carlo de ganancia de trayecto.

 

Figura 9Ganancia de trayecto mínima, media y máxima como resultado de las simulaciones Monte Carlo.

Figura 9: Ganancia de trayectoria mínima, media y máxima como resultado de las simulaciones de Monte Carlo.

 

Monte Carlo es una potente herramienta de Wireless InSite que proporciona al usuario una idea de los límites del resultado dada cierta incertidumbre en la configuración de la simulación. Proporciona una forma rápida y eficaz de realizar un análisis de sensibilidad del resultado debido a parámetros desconocidos dentro del escenario. En este escenario, demostramos cómo cambiaban los resultados al variar las propiedades del material. Hubo un cambio de 20 dBm en la potencia recibida entre el mejor y el peor escenario a 70 m de distancia del transmisor debido al cambio en el tipo de material. Esto demuestra que las diferencias en los parámetros de los materiales pueden influir enormemente en el rendimiento de un sistema y ayudar al usuario a determinar la mejor ubicación de los conjuntos de transmisor y receptor una vez conocida la incertidumbre del escenario. Gracias a la función Monte Carlo de Wireless InSite, esta ejecución se completó en cuestión de minutos y todos los resultados se calcularon a la vez. Sin esta función, cada una de las combinaciones de parámetros de material se habría ejecutado de forma independiente. Al final, los resultados de cada simulación tendrían que compararse por separado. En general, el tiempo necesario para completar todo el estudio fue casi cuatro veces más rápido utilizando el Monte Carlo multimaterial que sin esta función.

 

Solicitar archivos de proyectos

Gracias por su interés en este ejemplo de aplicación. Rellene el siguiente formulario para descargar los archivos del proyecto Modeling Uncertainty in Urban Propagation Using Monte Carlo Theory.