MétaCan
Menu
Retour à la cohorte
Enregistrement W2547345256 · doi:10.1177/1045389x16672563

Integration of a torsion-based shear-mode energy harvester and energy management electronics for a sensor module

2016· article· en· W2547345256 sur OpenAlexaff
Vainatey Kulkarni, Frédéric Giraud, Christophe Giraud-Audine, Michel Amberg, Ridha Ben Mrad, S Eswar Prasad

Notice bibliographique

RevueJournal of Intelligent Material Systems and Structures · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueInnovative Energy Harvesting Technologies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésEnergy harvestingElectrical engineeringVoltageProof massCapacitorElectrical loadElectronic circuitMaterials scienceEngineeringElectronic engineeringPower (physics)OptoelectronicsPhysicsMicroelectromechanical systems

Résumé

récupéré en direct d'OpenAlex

This work demonstrates the ability of a torsion-based shear-mode energy harvester to power a sensor module by integrating a temperature sensor circuit with a purpose developed piezoelectric energy harvester. A 10-cm 3 energy harvester was developed for this application and was found to produce over 200 µW of maximum power through an optimal load resistance under 0.25 g pk acceleration excitation at its resonant frequency of 237 Hz. This harvester was then tested with two interface circuits: a standard interface diode bridge rectifier and a nonlinear synchronous electrical charge extraction circuit that were compared for their suitability in powering the sensor module. Through this, the synchronous electrical charge extraction nonlinear conditioning circuit was found to have superior performance when charging a capacitor and with DC loads at low voltages and was capable of providing a maximum power output of 37 µW under 0.25 g pk acceleration at 237 Hz. This output power was then used to successfully power a temperature sensor module consisting of a temperature sensor, a microcontroller, and a radio-frequency identification memory chip at a sensing frequency of 0.5 Hz.

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 enseignants0,353
Score d'incertitude au seuil0,359

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 Opus0,010
Tête enseignante GPT0,224
Écart entre enseignants0,213 · 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

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Intelligent Material Systems and StructuresMême sujetInnovative Energy Harvesting TechnologiesTravaux en français237 207