Application of artificial intelligence and evolutionary algorithms in simulation-based optimal design of a piezoelectric energy harvester
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract This paper tackles the problem of finding the optimal design parameters for a piezoelectric energy harvester. A new simulation-based optimization procedure is proposed with the goal of acquiring the optimal geometric and circuit design parameters that leads to higher energy harvesting efficiency and also enhances the obtained electrical power. The basis of the optimization platform is a numerical model of the energy harvesting system operating during electrical transient of charging an external storage capacitor. The model consists of a cantilever beam partially coated with piezoelectric patches, a non-linear interfacing and conditioning circuit, and a storage device. The numerical model simulates a complete energy harvesting scenario from piezoelectric transduction, to power enhancement and conditioning through interfacing circuit and energy storage. Two different case studies are considered for beams under harmonic tip-force, and harmonic base-excitation. Since performing multiple simulations in order to evaluate the objective function is computationally expensive and imposes time and space (memory) complexities, a more efficient Neural Network (NN) model is first trained based on a set of training data obtained from the numerical model. Performance and accuracy of the NN training is studied using available statistical methods. Second, a Genetic Algorithm (GA) optimization performs a block-box optimization procedure, using the trained Neural Network model for objective function evaluation. Finally, a thorough analysis of the optimal design parameters obtained from the optimization process is provided.
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.
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 | 0,000 | 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 découle