Future mobile networks like 6G face key challenges, including ultra-reliable, low-latency communications, massive device connectivity, and high data rates. These become increasingly complex in environments with poor signal propagation, leading to inadequate coverage, reduced data rates, and unreliable communication. Reconfigurable Intelligent Surfaces (RIS) have emerged as a promising solution since they can redirect signals and create a virtual Line-of-Sight (LoS), effectively improving coverage and the Signal-to-Noise Ratio (SNR). While most studies focus on two-dimensional (2D) rectangular RIS surfaces, there is no theoretical evidence to suggest that this shape is optimal. An additional challenge arises when the user is in mobility, as the RIS configurations need to be updated to maintain optimal performance. How often these updates should occur remains an open problem. This thesis investigates the effectiveness of various RIS geometries using Sionna, a GPU-accelerated ray tracing simulator developed by Nvidia. The evaluation includes one-dimensional (1D) uniform linear arrays (ULA), 2D uniform planar arrays (UPA), and three-dimensional (3D) shapes. Simulations are conducted across various scenarios, including 3.5 GHz and 28 GHz frequency bands, single and dual-antenna transmitters, and differing mobility conditions. The results indicate that 3D geometries outperform UPA and ULA configurations as they provide higher SNR. Additionally, the study investigates how often the RIS control signaling should be transmitted to change the RIS configuration considering user mobility and demonstrates that transmitting it every two meters of receiver movement is sufficient to maintain high SNR levels. These values correspond to a transmission interval of approximately 1.42 seconds when the receiver walks at an average speed of 1.4 m/s and 0.24 seconds when moving in a car at 30 km/h.

Framtida mobilnät såsom 6G står inför viktiga utmaningar, inklusive ultratill- förlitlig kommunikation med låg latens, ett massivt antal samtidigt anslutna enheter och höga datahastigheter. Dessa utmaningar blir mer komplexa i miljöer med dålig signalutbredning, vilket leder till otillräcklig täckning, reducerade datahastigheter och opålitlig kommunikation. Rekonfigurerbara intelligenta ytor (RIS) har uppkommit som en lovande lösning, eftersom de kan påverka signalutbredningen och skapa en virtuell Line-of-Sight (LoS), vilket effektivt förbättrar täckning och signal-brusförhållande (SNR). De flesta studier fokuserar på tvådimensionella rektangulära RIS-ytor, men det finns inga teoretiska bevis för att denna form är optimal. En ytterligare utmaning uppstår när användaren är i rörelse, eftersom RIS-konfigurationerna behöver uppdateras för att bibehålla optimal prestanda. Hur ofta dessa uppdateringar bör ske är fortfarande ett olöst problem. Denna avhandling undersöker effektiviteten hos olika RIS-geometrier med hjälp av Sionna, en GPU-accelererad strålspårningssimulator utvecklad av Nvidia. Utvärderingen inkluderar endimensionella (1D) linjära arrayer (ULA), tvådimensionella (2D) plana arrayer (UPA) och tredimensionella (3D) former. Simuleringar genomförs i olika scenarier, inklusive 3,5 GHz och 28 GHz frekvensbanden, sändare med en eller två antenner samt olika mobilitetsförhållanden. Resultaten visar att tredimensionella geometrier överträffar UPA- och ULA-konfigurationer genom att ge bättre täckning och högre SNR. Dessutom undersöker studien hur ofta RIS-kontrollsignaler bör skickas och visar att en uppdatering varannan meter av mottagarens rörelse är tillräcklig för att bibehålla höga SNR-nivåer. Uppdatering varje meter är onödig och leder inte till några betydande förbättringar. Dessa värden motsvarar ett sändningsintervall på cirka 1,42 sekunder när mottagaren går med en genomsnittlig hastighet på 1,4 m/s och 0,24 sekunder när den rör sig i en bil med 30 km/h.