Jury :

• Reviewer: Professor François  SEPTIER,  Universite Bretagne Sud, France
  Reviewer: Professor Julien  SARRAZIN ,Sorbonne University, France;
  Examiner: Professor Claude  OESTGES , Catholic University of Louvain , Belgium;
  Examiner: Professor Mr. Alexandre  CAMINADA, Polytechnic School of University of Côte d’Azur, France.
  Examiner: Professor Margot  DERUICK , Universiteit Gent, Belgium;
  Examiner: Madam Emmanuelle  CONIL, ANFR, France;
  Director: Professor Davy P.  GAILLOT , University of Lille , France;
  Co-supervisor: Professor Laurent  CLAVIER, IMT Nord Europe, France;
  Co-supervisor:Professor Joe Wiart, Telecom Paris, France.

Résumé :

Le sujet de l’exposition aux champs électromagnétiques a fait l’objet d’une grande attention à la lumière du déploiement actuel du réseau cellulaire de cinquième génération (5G). Malgré cela, il reste difficile de reconstituer avec précision le champ électromagnétique dans une région donnée, faute de données suffisantes. Les mesures in situ sont d’un grand intérêt, mais leur viabilité est limitée, ce qui rend difficile la compréhension complète de la dynamique du champ. Malgré le grand intérêt des mesures localisées, il existe encore des régions non testées qui les empêchent de fournir une carte d’exposition complète. La recherche a exploré des stratégies de reconstruction à partir d’observations provenant de certains sites localisés ou de capteurs distribués dans l’espace, en utilisant des techniques basées sur la géostatistique et les processus gaussiens. En particulier, des initiatives récentes se sont concentrées sur l’utilisation de l’apprentissage automatique et de l’intelligence artificielle à cette fin. Pour surmonter ces problèmes, ce travail propose de nouvelles méthodologies pour reconstruire les cartes d’exposition aux CEM dans une zone urbaine spécifique en France. L’objectif principal est de reconstruire des cartes d’exposition aux ondes électromagnétiques à partir de données provenant de capteurs répartis dans l’espace. Nous avons proposé deux méthodologies basées sur l’apprentissage automatique pour estimer l’exposition aux ondes électromagnétiques. Pour la première méthode, le problème de reconstruction de l’exposition est défini comme une tâche de traduction d’image à image. Tout d’abord, les données du capteur sont converties en une image et l’image de référence correspondante est générée à l’aide d’un simulateur basé sur le tracé des rayons. Nous avons proposé un réseau adversarial cGAN conditionné par la topologie de l’environnement pour estimer les cartes d’exposition à l’aide de ces images. Le modèle est entraîné sur des images de cartes de capteurs tandis qu’un environnement est donné comme entrée conditionnelle au modèle cGAN. En outre, la cartographie du champ électromagnétique basée sur le Generative Adversarial Network est comparée au simple Krigeage. Les résultats montrent que la méthode proposée produit des estimations précises et constitue une solution prometteuse pour la reconstruction des cartes d’exposition. Cependant, la production de données de référence est une tâche complexe car elle implique la prise en compte du nombre de stations de base actives de différentes technologies et opérateurs, dont la configuration du réseau est inconnue, par exemple les puissances et les faisceaux utilisés par les stations de base. En outre, l’évaluation de ces cartes nécessite du temps et de l’expertise. Pour répondre à ces questions, nous avons défini le problème comme une tâche d’imputation de données manquantes. La méthode que nous proposons prend en compte l’entraînement d’un réseau neuronal infini pour estimer l’exposition aux champs électromagnétiques. Il s’agit d’une solution prometteuse pour la reconstruction des cartes d’exposition, qui ne nécessite pas de grands ensembles d’apprentissage. La méthode proposée est comparée à d’autres approches d’apprentissage automatique basées sur les réseaux UNet et les réseaux adversaires génératifs conditionnels, avec des résultats compétitifs.

Abstract :

The topic of exposure to electromagnetic fields has received much attention in light of the current deployment of the fifth generation (5G) cellular network. Despite this, it remains difficult to precisely reconstruct the electromagnetic field in a given region due to lack of sufficient data. In situ measurements are of great interest, but their viability is limited, making it difficult to fully understand the field dynamics. Despite the great interest in localized measurements, there are still untested regions that prevent them from providing a complete exposure map. The research explored reconstruction strategies from observations from certain localized sites or spatially distributed sensors, using techniques based on geostatistics and Gaussian processes. In particular, recent initiatives have focused on the use of machine learning and artificial intelligence for this purpose. To overcome these problems, this work proposes new methodologies to reconstruct EMF exposure maps in a specific urban area in France. The main objective is to reconstruct maps of exposure to electromagnetic waves from data coming from sensors distributed in space. We proposed two methodologies based on machine learning to estimate exposure to electromagnetic waves. For the first method, the exposure reconstruction problem is defined as an image-to-image translation task. First, the sensor data is converted into an image and the corresponding reference image is generated using a ray tracing based simulator. We proposed a cGAN adversarial network conditioned by the topology of the environment to estimate exposure maps using these images. The model is trained on sensor map images while an environment is given as conditional input to the cGAN model. Furthermore, electromagnetic field mapping based on the Generative Adversarial Network is compared to simple Kriging. The results show that the proposed method produces accurate estimates and is a promising solution for exposure map reconstruction. However, producing reference data is a complex task as it involves taking into account the number of active base stations of different technologies and operators, whose network configuration is unknown, e.g. the powers and beams used by the base stations. Additionally, evaluating these maps requires time and expertise. To answer these questions, we defined the problem as a missing data imputation task. The method we propose takes into account the training of an infinite width neural network to estimate exposure to electromagnetic fields. This is a promising solution for exposure map reconstruction, which does not require large training sets. The proposed method is compared with other machine learning approaches based on UNet and conditional generative adversarial networks, with competitive results.