En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

PhD (H/F) - EM field reconstruction in 5G with machine learning.

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR8520-LAUCLA-001
Lieu de travail : VILLENEUVE D ASCQ
Date de publication : lundi 27 avril 2020
Nom du responsable scientifique : Laurent Clavier, Joe Wiart, Davy Gaillot
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 septembre 2020
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

I. RÉSUMÉ DE LA THÈSE

Avec l'utilisation croissante des technologies sans fil [1], nous vivons dans un champ électromagnétique (CEM) permanent qui induit une inquiétude et une sensation de risque malgré la réglementation existante. Les responsables du déploiement des réseaux, ceux qui vérifient la conformité de l'exposition au CEM aux limites de sécurité sont confrontés à de telles questions [2]. L'évaluation de l'exposition nécessite un équipement spécifique ou des outils de simulation qui peuvent être complexes à utiliser, contribuant ainsi à creuser l'écart entre profanes et experts. Le déploiement de la 5G, qui ne fait que commencer, renforce ces problèmes [3, 4] apportant de nouvelles incertitudes résultant par exemple de la bande toujours croissante utilisée ou de la formation de faisceau induite par le MIMO massif.

Cette thèse abordera ces questions, plusieurs verrous restant à surmonter. L'objectif est de pouvoir construire une carte d'exposition au CEM. Aujourd'hui, la surveillance du CEM est effectuée à l'aide de campagnes de mesure. Ces mesures in situ présentent un grand intérêt mais ne peuvent être effectuées partout. Profitant des progrès des technologies des appareils connectés, l'évaluation de l'exposition a été étudiée à l'aide de capteurs connectés. Récemment, des capteurs sans fil, autonomes en énergie, ont été conçus et proposés. Associés en réseaux, ces capteurs présentent un grand intérêt car ils peuvent capter les variations temporelles de l'exposition; néanmoins, comme ils sont encore localisés, ils ne peuvent pas, à eux seuls, fournir une cartographie de l'exposition en raison de lieux non échantillonnés. La reconstruction en tout point à l'aide de mesures localisées à certains endroits spécifiques a été étudiée à l'aide de méthodes basées sur des processus géo-statistiques et gaussiens [5, 6, 7]. Récemment, des travaux ont été réalisés en utilisant l'intelligence artificielle et l'apprentissage automatique [8, 9]. Ces travaux ont été réalisés à l'aide de simulations prenant en compte les informations disponibles via des bases de données (comme la position des stations de base). Cependant, ces travaux portant sur des simulations, la confrontation à des mesures nécessitera une adaptation de la méthode pour augmenter la précision et prendre en compte les propriétés spécifiques du champ EM. De nombreuses améliorations peuvent être étudiées. La première consiste à inclure certaines données du terrain, comme la densité de la ville, la position de la station de base ou tout autre paramètre significatif, qui sont accessibles au public. Il est également possible de gérer des capteurs de qualités différentes et d'inclure des capteurs mobiles pour améliorer la fiabilité de la reconstruction. Compte tenu de la densité des capteurs, l'imprécision de la localisation et de la mesure et l'évolution temporelle du champ électromagnétique constituent également des enjeux de recherche.


II. ORGANISATION DU TRAVAIL
Le travail est basé sur des données qui seront mesurées en différents endroits à Lille. Un grand nombre de capteurs (≈50) permettra de couvrir une zone du centre-ville et un autre ensemble de capteurs couvrira un autre lieu. L'objectif du travail est de développer un processus d'apprentissage automatique pour analyser les données et reconstruire dans l'espace et le temps le champ électromagnétique. Cela permettra d'évaluer l'exposition d'une personne donnée dans la ville.

III. COMPÉTENCES REQUISES
Télécommunication, 5G. Une partie de la thèse est consacrée au traitement des données et éventuellement aux campagnes de mesure. La connaissance des télécommunications est importante et des capacités expérimentales seraient appréciées.
Machine Learnning. Python, Anaconda, Tensorflow

IV. PLUS D'INFORMATIONS
Pour plus d'informations, contactez Joe Wiart, Davy Gaillot et Laurent Clavier.


REFERENCES
[1] L. Clavier, T. Pedersen, I. Rodriguez, M. Lauridsen, and M. Egan. Experimental Evidence for Heavy Tailed Interferencein the IoT. Working paper or preprint; https://hal.archives-ouvertes.fr/hal-02521928/file/ExpWCL4p.pdf, March 2020.
[2] Joe Wiart.Radio-Frequency Human Exposure Assessment: From Deterministic to Stochastic Methods. 01 2016.
[3] Miroslava Karaboytcheva. Effects of 5g wireless communication on human health. Briefing PE 646.172, EPRS – European Parliamentary Research Service, March 2020.
[4] M. Egan, L. Clavier, M. de Freitas, L. Dorville, J. Gorce, and A. Savard. Wireless communication in dynamic interference. In GLOBECOM 2017 - 2017 IEEE Global Communications Conference, pages 1–6, 2017.
[5] Sam Aerts, D. Deschrijver, L. Verloock, T. Dhaene, Luc Martens, and Wout Joseph. Assessment of outdoor RF-EMF exposure through hotspot localization using kriging-based sequential sampling. Environmental research, 2013.
[6] A. Solin, M. Kok, N. Wahlstrom, T. B. Schon, and S. Sarkka. Modeling and interpolation of the ambient magnetic field by gaussian processes. IEEE Transactions on Robotics, 34(4):1112–1127, 2018.
[7] Thomas Lemaire, Joe Wiart, and Philippe Doncker. Variographic analysis of public exposure to electromagnetic radiation due to cellular base stations: Variographic analysis of BTS EMF exposure. Bioelectromagnetics, 37, 10 2016.
[8] Sam Aerts, Joe Wiart, Luc Martens, and Wout Joseph. Assessment of long-term spatio-temporal radio frequency electromagnetic field exposure. Environmental research, 161:136–143, 11 2017.
[9] S. Wang and J. Wiart. Sensor aided emf exposure assessments in urban environment using artificial neural networks. Int. Journal Environmental research and public hereconstructionalth, 2020

Contexte de travail

L'IEMN regroupe dans une structure unique l'essentiel de la recherche régionale dans un vaste domaine scientifique allant des nanosciences à l'instrumentation.

Faire travailler ensemble des chercheurs ayant des cultures, des démarches et des motivations différentes, construire une continuité de connaissances allant des problèmes fondamentaux aux applications fait aujourd'hui notre spécificité. Aujourd'hui, près de 500 personnes, dont une centaine de chercheurs internationaux, travaillent ensemble.

Le coeur de nos activités est centré sur les micros et nanotechnologies et leurs applications dans les domaines de l'information, la communication, les transports et la santé. Nos chercheurs ont à leur disposition des moyens expérimentaux exceptionnels, en particulier des centrales de technologie et de caractérisation dont les possibilités et les performances se situent au meilleur niveau européen.

La date de recrutement est susceptible d'être reportée à la fin de la période de confinement.

On en parle sur Twitter !