Padverliesdataset van veldmetingen bij 3,5 GHz voor de vijfde generatie draadloze communicatie in binnenomgevingen

Waarom het telefoonsignaal binnenshuis verzwakt

Telkens wanneer je in een gang, klaslokaal of bibliotheek balkjes verliest op je telefoon, stuit je op een stil maar cruciaal probleem: radiosignalen verzwakken tijdens hun reis. Deze verzwakking, signaalverlies genoemd, bepaalt hoe snel en betrouwbaar je draadloze verbinding kan zijn. Terwijl onze huizen, kantoren en campussen volstromen met 5G‑apparaten en verbonden gadgets, hebben ingenieurs harde cijfers nodig over hoe muren, deuren en kamerverdelingen het signaal beïnvloeden. Dit artikel biedt precies dat: zorgvuldig gemeten gegevens die laten zien hoe een voor 5G relevante signaal zich gedraagt binnen echte gebouwen.

Signaalsterkte meten in echte gebouwen

De auteurs richtten zich op een frequentie van 3,5 gigahertz, een van de belangrijkste “sweet spots” voor 5G‑netwerken binnenshuis omdat die snelheid en dekking in balans brengt. In plaats van alleen met computersimulaties of kleine experimenten te werken, voerden ze grootschalige meetcampagnes uit in drie alledaagse binnenomgevingen in een onderzoekscentrum in Mexico‑stad: een lange gang vol kantoren en laboratoria, een compact studentengebouw met studieruimtes en een moderne bibliotheekverdieping vol boekenrekken en studieplekken. Alle drie locaties bevatten bekende obstakels zoals bakstenen muren, glaspartijen, gipswandjes, houten deuren, metalen kolommen en zelfs een liftschacht.

In elk gebouw plaatste het team een zender die continu een 3,5 GHz‑signaal uitzond op een vast vermogen. Vervolgens liepen ze met een ontvanger door een zorgvuldig ontworpen raster van punten op de vloer, ongeveer één meter van elkaar geplaatst. Op elk punt gebruikten ze precieze instrumenten en afgestemde antennes om vast te leggen hoe sterk het signaal was. Ze herhaalden dit op twee manieren: eenmaal met de zender‑ en ontvangerantennes op gelijke hoogte, en eenmaal met verschillende hoogtes, om een verscheidenheid aan praktische installaties na te bootsen zoals aan het plafond gemonteerde access points en handgehouden apparaten.

Ruwe metingen omzetten in bruikbare data

Elk punt in elk raster kreeg een volledige beschrijving: de afstand tot de zender, hoeveel muren van baksteen, glas, hout of gips rechtstreeks in het pad lagen, of er kolommen of een lift in de weg stonden, en het gemeten signaalniveau. Waar het onmogelijk was om een meting te doen — bijvoorbeeld omdat een boekenkast of zwaar meubilair precies die plek bezette — markeerden ze die gevallen en verwijderden ze later. Na het middelen van meerdere korte monsters op elk punt om willekeurige schommelingen te verminderen, zetten ze het ontvangen vermogen om in “padverlies”, de totale hoeveelheid signaalreductie tussen zender en ontvanger. Dit leverde zes volledige datasets van signaalsterkte en zes overeenkomende datasets van padverlies op, verdeeld over de drie gebouwen en de twee antenneconfiguraties.

De kwaliteit van de data controleren

Aangezien deze metingen bedoeld zijn om hergebruikt te worden door andere onderzoekers en ingenieurs, besteedden de auteurs veel aandacht aan de controle van de datakwaliteit. Ze verifieerden dat afstanden en aantallen obstakels fysiek logisch waren, verwijderden onmogelijke of ontbrekende invoeren en zorgden dat er geen dubbele records waren. Om te zien hoe de verschillende factoren zich verhouden, gebruikten ze een statistische techniek genaamd Spearman‑correlatie, die zowel rechte als licht gebogen relaties kan opsporen. Zoals verwacht nam het signaalverlies toe met de afstand, en extra muren van verschillende materialen verergerden dat doorgaans. De grafieken toonden ook een gezonde spreiding van waarden in plaats van kunstmatige patronen, wat suggereert dat de metingen de rijke variëteit van echte binnenomstandigheden vastleggen.

Wat anderen met deze metingen kunnen doen

De uiteindelijke datasets worden open gedeeld als eenvoudige spreadsheet‑achtige bestanden, waarbij elke rij een meetpunt beschrijft en elke kolom een kenmerk geeft zoals afstand, aantal muren van elk type en het resulterende signaalniveau of verlies. Met deze informatie kunnen netwerkplanners formules testen en verfijnen die dekking binnen gebouwen voorspellen, het gedrag bij 3,5 GHz vergelijken met andere frequenties, of slimmer ontwerp maken voor de plaatsing van basisstations en routers. Data‑wetenschappers kunnen ook machine‑learningmethoden toepassen om nieuwe voorspellingshulpmiddelen te bouwen zonder zelf tijdrovende veldcampagnes te hoeven uitvoeren.

Hoe dit je toekomstige verbindingen helpt

In alledaagse termen gaat dit werk over ervoor zorgen dat je telefoon, laptop of slimme sensor een sterke verbinding behoudt, zelfs wanneer je diep in een gebouw bent. Door in kaart te brengen hoe een 3,5 GHz‑signaal vervaagt terwijl het door verschillende kamerverdelingen en materialen gaat, bieden de auteurs een “waarheidsset” waarop anderen kunnen voortbouwen. Hun metingen bevestigen dat het signaalverlies geleidelijk toeneemt met afstand en met elk extra obstakel of muur, maar nu zijn die effecten in detail gekwantificeerd voor realistische binnenomgevingen. Wanneer ingenieurs deze openbare datasets gebruiken om hun modellen en ontwerpen af te stemmen, zou dat moeten leiden tot betrouwbaardere 5G‑diensten binnenshuis vandaag en betere planning voor toekomstige 6G‑netwerken en het groeiende Internet of Things.

Bronvermelding: Perdomo-Reyes, P., Galvan-Tejada, G.M. & Meneses-Viveros, A. Path Loss Dataset from Field Measurements at 3.5 GHz for the Fifth Generation of Wireless Communications in Indoor Environments. Sci Data 13, 521 (2026). https://doi.org/10.1038/s41597-026-06650-4

Trefwoorden: 5G binnendekking, draadloos padverlies, 3,5 GHz metingen, radio‑propagatiegegevens, draadloze netwerken binnenshuis