Deep-Learning-Based Optimization for a Low-Frequency Piezoelectric MEMS Energy Harvester
Notice bibliographique
Résumé
High operational frequency is one of the major limitations of the conventional MEMS vibration energy harvesters. In this work, we present a piezoelectric MEMS energy harvester with the capability of operating at a low resonant frequency (i.e., less than 200 Hz). The proposed harvester has a symmetric serpentine structure with a doubly clamped configuration comprising several proof masses at the junctions. In order to facilitate the design process and determine the optimum physical dimensions, an artificial neural network is used to model the design. In the first step, a dataset with 108 samples is generated by finite element modeling (FEM) to train a deep neural network. The validation results indicate that the trained deep neural network model can achieve around 90% estimation accuracy of device features, such as resonant frequency and harvested voltage. Next, this trained model is integrated with genetic algorithm as a performance estimator to optimize the geometry of the harvester to lower the resonant frequency and improve the harvested voltage. An optimized harvester with a total area of 8.7 mm <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> has been fabricated through a standard micromachining process. Our measurement results confirm that the proposed deep-learning-based method can help reach the balanced summit of both higher power density and lower resonant frequency among the published works. Our prototype device features the first resonant frequency of 121.7 Hz and the harvested power of <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$0.73~\mu \text{W}$ </tex-math></inline-formula> under 0.1g input acceleration.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 tête enseignante, 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 ».