Autonomous Wireless Sensors Network Based on Piezoelectric Energy Harvesting
Notice bibliographique
Résumé
Wireless sensor networks (WSNs) offer an attractive solution to many environmental, security and process monitoring. However, their lifetime remains very limited by battery capacity. Through the use of piezoelectric energy harvesting techniques, ambient vibration can be captured and converted into usable electricity to create selfpowering WSN which is not limited by finite battery energy. This paper investigates analytically and experimentally the performance of a WSN powered by a Piezoelectric Energy Harvesting System (PEHS) and a material block-level modeling considering most key energy consumption of a wireless sensor node in a star topology network is proposed. By using real hardware parameters of existing components, the proposed model is used to evaluate the energetic budget of the node. The sensor node performance is evaluated regarding transmit packet size, duty cycle and the number of nodes that can be deployed. From the spectral properties of the available vibration inside two moving vehicles (automobile and train), the maximal recoverable power for each type of vehicle is estimated. Using a PEHS based on a cantilever beam optimized for low-frequency applications, 6 mW power is recovered in the case of the train while a 12.5 mW power is reached in the case of the automobile. It is observed that the sink may not operate with the recovered energy. However, the sensor node can sense and transmit data with a maximum size of 105.5 kbits when the duty cycle is 4 × 10-15. It is also achieved that the node is most effective when the measured physical phenomena vary slowly, such as the variations in temperature due to thermal inertia. Considering an optimized PEHS based on non-linear processing, it is shown that the sink can operate for 190% improvement of the recovered power.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».