Frequency Tuning and Efficiency Improvement of Piezoelectric MEMS Vibration Energy Harvesters
Notice bibliographique
Résumé
Although lots of efforts have been made to produce the optimal piezoelectric MEMS vibration energy harvesters in the past decade, the state-of-the-art study is still dependent on the designers' discretion, which demands a considerable amount of design time to gain optimum structure. In this paper, we propose a new design automation technique with minimum human effort based on a genetic algorithm (GA), which is an evolutionary computation method for optimizing complex problems. In this regard, the analytic equations to estimate resonant frequency and amplitude of the harvested voltage for two different configurations of unimorph MEMS piezoelectric harvesters (i.e., with and without integration of a proof mass) are presented. Thanks to the sufficient estimation accuracy, they are utilized as the required fitness functions of the GA. By simultaneously considering operation at lower frequency and higher energy conversion efficiency in a small silicon area as the objectives, the GA strives to optimize the physical aspects of the harvesters (e.g., beam length, beam width, and proof mass length). The GA performance is studied and evaluated analytically, numerically, and experimentally with its effects on the mechanical properties discussed. By leveraging the micro-fabrication process, we demonstrate that the GA can optimize the mechanical geometry of the prototyped harvester effectively and efficiently, whose peak harvested voltage increases from 310 to 1900 mV at the reduced resonant frequency from 886 to 425 Hz with the highest normalized voltage density of 163.88 among the alternatives.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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 source (Gemma direct ou Codex distillé), 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 ».