MétaCan
Menu
Retour à la cohorte
Enregistrement W4210773524 · doi:10.1016/j.egyr.2022.01.159

Managing the harvested energy in wireless sensor networks: A priority Geo/Geo/1/k approach with threshold

2022· article· en· W4210773524 sur OpenAlexaff
Otim Patricia Angwech, Attahiru Sule Alfa, B. T. Maharaj

Notice bibliographique

RevueEnergy Reports · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Harvesting in Wireless Networks
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésNetwork packetComputer scienceWireless sensor networkEnergy (signal processing)Computer networkTransmission (telecommunications)Real-time computingEnergy harvestingSecurity tokenEfficient energy useEngineeringElectrical engineeringTelecommunications

Résumé

récupéré en direct d'OpenAlex

Wireless sensor networks face many challenges, the major one being energy. Batteries are the main source of energy for the sensor nodes. When the battery is depleted, it must either be charged or replaced. This may be expensive or impossible to do. Energy harvesting has been proposed as an alternative. The energy is harvested and then stored in a battery. However, even if the battery is not in use, it experiences current leakages. We study the performance of a single node, which has data packets and energy tokens. The energy that is harvested is kept in reserve as energy tokens in an energy buffer and utilised by the data packets for transmission. This paper investigates the impact of imposing a threshold on the token buffer of the system. The problem considered is managing the energy buffer by taking into account storage of energy, usage by the data packets and energy leakage. The proposed model considers the transmission of high and low priority data packets. To ensure that there are tokens available in the system to transmit the high-priority data packets in case the arrival rate of the low-priority data packets is too high at the expense of high priority data packets, a threshold is imposed on the token buffer. To illustrate our approach, a Geo/Geo/1/k system is modelled and finite Markov chain model tools are used to analyse it. Numerical examples, which show how performance measures such as the mean number of data packets and tokens in the system are affected by energy harvesting, leakage and threshold, are presented. From the results obtained we show that the model can be utilised in the analysis and control of a wireless sensor network, as it captures the usage and leakage of energy. A trade-off between threshold and rate of leakage exists.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,004
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
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 Opus0,007
Tête enseignante GPT0,177
Écart entre enseignants0,170 · 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'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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy ReportsMême sujetEnergy Harvesting in Wireless NetworksTravaux en français237 207