MétaCan
Menu
Retour à la cohorte
Enregistrement W2486095375 · doi:10.1088/0960-1317/25/10/104013

Air gap optimization for output power and band width in out-of-plane vibration energy harvesters employing electrets

2015· article· en· W2486095375 sur OpenAlexaff
Haruhiko ASANUMA, Motoaki Hara, Hiroyuki Oguchi, Hiroki Kuwano

Notice bibliographique

RevueJournal of Micromechanics and Microengineering · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueInnovative Energy Harvesting Technologies
Établissements canadiensHatch (Canada)
Organismes subventionnairesnon disponible
Mots-clésElectretVibrationPower (physics)Air gap (plumbing)Energy (signal processing)Plane (geometry)Materials scienceEnergy harvestingAcousticsEngineeringPhysicsElectrical engineeringComposite materialMathematicsGeometry

Résumé

récupéré en direct d'OpenAlex

We investigated the dependence of output power, frequency band width, and resonance frequency on the initial air gap for electret-based out-of-plane vibration energy harvesters, both numerically and experimentally. In this investigation, the external acceleration and surface charge densities of the electret were held constant. The numerical investigation predicted the following results: (1) an optimum value exists in the initial air gap to maximize the output power; and (2) enhanced electrostatic forces with decreasing the initial air gap emphasize the soft spring effect, which widens the frequency band width and lowers the resonance frequency. The experimental results showed behaviour consistent with the numerical predictions. The maximum output power in experiment was 4.0 μ W at the optimum initial air gap of 0.43 mm when the external acceleration and the frequency were 4.9 m s −2 and 102 Hz, respectively. With reducing the initial air gap to 0.28 mm, the frequency band width increased to 17 Hz, a 2.6-fold increase over the optimum initial air gap. The peak output power at the initial air gap of 0.28 mm was 2.7 μ W, when the external acceleration and frequency were 4.9 m s −2 and 96 Hz, respectively.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,439
Score d'incertitude au seuil0,649

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,209
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Micromechanics and MicroengineeringMême sujetInnovative Energy Harvesting TechnologiesTravaux en français237 207