Resumo
A necessidade de estudo do aprimoramento da rede de comunicações ópticas e estimativa do crescente volume de tráfego móvel, especialmente com o advento do 5G e da internet das coisas, faz necessária a tratativa dos dados para aperfeiçoar o desempenho dessas redes. Estes dados podem ser obtidos e avaliados através de dados reais coletados, experimentais, modelados ou simulados. Este trabalho realizou a coleta de dados pelo método sintético de simulação no software OptiSystem para um sistema de multiplexação de comprimento de onda denso, onde foi utilizada uma rede óptica real para montar seu par simulado pelo referido software citado. Com essa base de dados coletada, foi realizada a modelagem dos dados através de diferentes algoritmos de inteligência artificial. Algoritmos regressores que têm como fim prever valores numéricos específicos mostraram-se mais apropriados aos objetivos desse trabalho. Estudos de diferentes parâmetros de saída como potência total, ganho total, máximo Qfator e mínimo BER e suas correlações com os parâmetros de entrada, potência do Wavelengt Division Multiplexing (WDM) e bombeamento dos amplificadores de fibra óptica dopada por érbio (EDFA – Erbium Doped Fiber Amplifiers), foram praticados para análise. A efetividade dos três modelos de aprendizagem de máquina treinados foram avaliados através do coeficiente de determinação (R2). O modelo Boosted Decision Tree Regression (BDTR) obteve uma melhor estimativa para as saídas potência total e ganho total, enquanto o modelo Histogram Gradient Boosting Regression (HGBR) apresentou uma melhor estimativa para as saídas máximo Qfator e mínimo BER. O conjunto de dados gerado por simulação foi confrontado com o treinado na machine learning (ML), confirmando a eficácia da predição dos valores alvos, que têm melhores correlações com as entradas, e ratificando que, para as saídas que tiveram menores correlações, foram obtidos resultados imprecisos. Como a execução da análise de parâmetros relacionados ao gerenciamento de perdas foi tomada como cerne deste estudo, e não aos relacionados ao gerenciamento de dispersão, as precisões para os parâmetros de saída foram as esperadas. A principal vantagem da utilização dos modelos de machine learning é que profissionais da área de óptica possam prever e aprimorar a rede visando minimizar as altas margens que são inseridas nos projetos reais e que o oneram e levam à subutilização dos recursos da rede