MétaCan
Menu
Retour à la cohorte
Enregistrement W3106702740 · doi:10.1109/ccece47787.2020.9255802

An Energy Harvesting Solution for IoT Devices in 5G Networks

2020· article· en· W3106702740 sur OpenAlexaff
Maryam Eshaghi, Rashid Rashidzadeh

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Harvesting in Wireless Networks
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésEnergy harvestingComputer scienceRectifier (neural networks)WirelessSchottky diodeAntenna (radio)Extremely high frequencyInternet of ThingsElectrical engineeringRectennaWireless sensor networkEnergy (signal processing)Power (physics)Electronic engineeringTelecommunicationsEmbedded systemDiodeComputer networkEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Internet of Things (IoT) and IoT applications will experience significant growth as the fifth-generation (5G) of wireless technology matures and becomes more widely adopted. How to power on billions of low power wireless IoT devices has initiated a new interest in energy harvesting. The 5G technology will open new opportunities to design circuits to efficiently extract energy from millimeter waves to power on IoT devices. In this paper, an energy harvesting circuit is designed and simulated using Advanced Design System (ADS) which is compatible with 5G technology. A microstrip patch antenna with -17.35 dB return loss at 11.02 GHz is designed and implemented. A rectifier using a Schottky diode is also designed to operate at high frequencies. Simulation results indicate that the proposed solution can extract energy from incoming waves at 11.02 GHz and generate 1.18 V across an IoT sensor with an efficiency of 87%.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,939
Score d'incertitude au seuil0,760

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 Opus0,019
Tête enseignante GPT0,219
Écart entre enseignants0,200 · 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'étudeSimulation ou modélisation
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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetEnergy Harvesting in Wireless NetworksTravaux en français237 207