MétaCan
Menu
Retour à la cohorte
Enregistrement W2940482474 · doi:10.3390/en12091595

Feasibility Studies of Micro Photosynthetic Power Cells as a Competitor of Photovoltaic Cells for Low and Ultra-Low Power IoT Applications

2019· article· en· W2940482474 sur OpenAlexafffund
Hemanth Kumar Tanneru, Kiran Kuruvinashetti, Pragasen Pillay, Raghunathan Rengaswamy, Muthukumaran Packirisamy

Notice bibliographique

RevueEnergies · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Harvesting in Wireless Networks
Établissements canadiensConcordia University
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of CanadaConcordia University
Mots-clésPhotovoltaic systemComputer scienceBattery (electricity)Electrical engineeringPower (physics)Automotive engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

In this work, we provide a cost comparison of micro-photosynthetic power cells (µPSC) with the well-established photovoltaic (PV) cells for ultra-low power and low power applications. We also suggest avenues for the performance improvement of µPSC. To perform cost comparison, we considered two case studies, which are development of energy systems for: (i) A typical mobile-phone battery charging (low power application) and (ii) powering a humidity sensor (ultra-low power application). For both the cases, we have elucidated the steps in designing energy systems based on PV and µPSC technologies. Based on the design, we have considered the components needed and their costs to obtain total cost for developing energy systems using both PV and µPSC technologies. Currently, µPSCs based energy systems are costlier compared to their PV counterparts. We have provided the avenues for improving µPSC performance, niche application areas, and aspects in which µPSCs are comparable to PV cells. With a huge potential to develop low-cost and high performing technologies, this emerging technology can share the demand on PV technologies for ultra-low power applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
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 savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,009
Tête enseignante GPT0,238
Écart entre enseignants0,229 · 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 source (Gemma direct ou Codex distillé), 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

Citations14
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetEnergy Harvesting in Wireless NetworksTravaux en français237 207