MétaCan
Menu
Retour à la cohorte
Enregistrement W2991233764 · doi:10.1109/3ict.2019.8910316

LoRa Wireless Link Performance in Multipath Underground Mines

2019· article· en· W2991233764 sur OpenAlexaff
Lloyed Emmanuel, Wisam Farjow, Xavier Fernando

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueIoT Networks and Protocols
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésWirelessMultipath propagationComputer scienceWireless networkComputer networkPower consumptionChannel (broadcasting)Computer securityTelecommunicationsPower (physics)

Résumé

récupéré en direct d'OpenAlex

It has become a challenge to effectively maintain higher levels of safety and productivity in mining operations due to the present-day smart IoT technology advancements in mining equipment and gadgets. Regardless of the complexity of IoT schemes, all the systems rely on one common factor - an effective and reliable transportation mechanism for data and control information from/to the smart devices. Therefore, the communication infrastructure in confined spaces is the most critical element in the smart system operation. This is especially true due to the limitations and complications of physical phenomena affecting the wireless system and networks in the mines and tunnels. Strong multipath nature of the wireless channel affects the smart wireless communication significantly in underground mine. In this paper, we use LoRa technology to provide better connectivity in harsh environment such as in mines. With its long range, deep penetration, and ultralow power consumption and single hop wireless communication technology; LoRa provides reliable connectivity to previously infeasible underground mining environment. This paper presents simulation study that provide LoRa performance in mining area with strong multipath conditions for different spread factors (SF).

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)0,004
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,008
Tête enseignante GPT0,202
Écart entre enseignants0,194 · 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

Citations20
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetIoT Networks and ProtocolsTravaux en français237 207