Reconfiguration dynamique d’un réseau de stations sol optique assistée par machine learning

Availability assessment of AO corrected optical links by machine learning

• Auteur / Autrice : Emile Klotz
• Direction : Thierry Fusco, Christian Musso
• Type : Projet de thèse
• Discipline(s) : PHYSIQUE & SCIENCES DE LA MATIERE - Spécialité : ASTROPHYSIQUE ET COSMOLOGIE
• Date : Soutenance en 2023
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Physique et Sciences de la Matière (Marseille)
• Partenaire(s) de recherche : Laboratoire : LAM - Laboratoire d'Astrophysique de Marseille
• Jury : Président / Présidente : Ghaya Rekaya
• Jury : Examinateurs / Examinatrices : Thierry Fusco, Sukanta Basu, James Osborn, Thomas Oberlin, Christian Musso
• Jury : Rapporteur / Rapporteuse : Sukanta Basu, James Osborn

Mots clés

Mots clés libres

Machine Learning

Turbulences atmosphériques

Liens optiques

Optique adaptative

Communication optique en espace libre (FSO)

Machine Learning

Atmospheric turbulence

Optical Links

Adaptative optics

Free Space Optical Communications (FSO)

Résumé

Les liens optiques atmosphériques font figure de game-changer pour le futur des communications satellite-sol, que ce soit pour le rapatriement des données engrangées par les capteurs embarqués (télémesure) sur des satellites LEO ou pour le développement de l’internet globalisé et de l’internet des objets (IOT) en exploitant les satellites GEO comme relais. L’influence de l’atmosphère reste un verrou essentiel qu’il convient de forcer pour pouvoir garantir la disponibilité très élevée attendue de systèmes de communication. La fiabilité de son évaluation conditionne les marges utilisées pour le dimensionnement des futurs systèmes, notamment dans le choix des emplacements des futures stations sols. La performance d'un lien optique est notamment conditionnée par l'influence de la turbulence atmosphérique. Sur un lien optique entre un satellite géostationnaire et le sol des perturbations de l'onde optique en phase et en amplitude dégradent les propriétés du signal et compromettent la transmission d'informations. Différentes solutions de correction, optique adaptative à la réception, codes correcteurs, entrelacement, permettent de juguler ses effets. La forte variabilité spatiale et temporelle des conditions de turbulence, et la complexité de ces différentes méthodes de correction imposent une adaptation fine et conjointe de ces méthodes aux conditions atmosphériques locales. L'objectif principal de cette thèse est d'améliorer notre compréhension de la disponibilité des liens optiques en présence de turbulences en utilisant des instruments de caractérisation simples combinés à de l'apprentissage machine. Nous avons proposé une méthodologie complète permettant de prédire la marge de puissance du système en l'absence de lien en utilisant seulement quatre paramètres intégrés facilement mesurables de la turbulence. Ce travail représente une étape importante vers la reconfiguration intelligente et dynamique des réseaux de stations sols optiques. Nous avons introduit une méthodologie innovante pour l'évaluation des turbulences et la prédiction de la disponibilité d'un lien optique, en mettant l'accent sur une utilisation rationnelle de l'apprentissage machine combinée à une compréhension approfondie des phénomènes physiques. Tout en reconnaissant les limites et le besoin de mesures sur le terrain, ces travaux promettent des communications optiques satellite-sol plus fiables et plus efficaces.

This thesis addresses the pressing need for efficient and high-capacity data transmission between satellites and terrestrial infrastructure using Free-Space Optical (FSO) communication. However, the efficacy of optical links is heavily influenced by atmospheric turbulence, which causes signal fluctuations and wavefront distortions. In order to mitigate atmospheric channel impairments both opto-mechanical methods, such adaptive optics, and numerical methods such as error correcting codes and interleaving are considered. These methods are valuable but not foolproof and adverse weather conditions and strong turbulence can still disrupt communications, necessitating a network of ground stations in regions with favourable forecasts. The core objective of this thesis is to enhance our understanding of optical link availability in the presence of turbulence using simple characterisation instruments combined with machine learning. We went as far as to propose a full methodology enabling the prediction of the system power margin in the absence of established link using only four easily measurable integrated parameters of the turbulence. This work represents a significant step towards the smart and dynamic reconfiguration of a ground stations network. We introduce innovative methodologies for turbulence assessment and optical link prediction, emphasising a rational approach to machine learning combined with a profound understanding of physical phenomena. While recognising limitations and the need for field measurements, this research holds the promise of more reliable and efficient ground-based satellite optical communication systems.