IIoT Wireless Network Design Algorithms for Smart Mines and Tunnels
Notice bibliographique
Résumé
<p>Safety and high productivity of mines and tunnels can be ensured by collecting critical data. Fast emerging Industrial Internet of Things (IIoT) approach is an effective tool to perform this tedious task. The work of this thesis focuses on investigating underground IIoT communication systems and suggesting a number of algorithms for performance improvement. First we characterized wireless propagation in mines and tunnels via simulation as well as experiments. Then analytically optimized various system parameters for better performance improvement and lifetime enhancement with power saving features at the node level as well as at the network level. Then we developed a new medium access control (MAC) protocol to provide better connectivity to the IIoT system in harsh underground environments using Long Range (LoRa) wireless technology. The MAC protocols play a crucial role to collect data in a timely manner and meet the application specific QoS requirements. LoRaWAN, the incumbent MAC protocol of LoRa is a pure ALOHA protocol which is prone to collisions at high density. In contrast, the proposed MAC algorithm provides a paradigm shift in methodology to not only address the low throughput and high probability of collisions, but also maintain the low cost, and long life benefit to IIoT devices. The new MAC protocol is presented in this thesis along with empirical evidence to showcase the improvement over the existing LoRaWAN standard. The added benefit is that existing hardware can still be utilized which results in a low cost solution. Also, appropriate modifications of relevant parameters as well as the inclusion of timing corrections steps in the ACK packets provide a very unique approach in addressing the deficiencies of the LoRaWAN.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».