A Versatile RF Energy Harvester for IoT Sensors in 5G Network With Extended Input Power Range
Notice bibliographique
Résumé
The widespread adoption of fifth-generation (5G) wireless technology in Internet of Things (IoT) networks introduces a battery replacement challenge for countless IoT sensors. To address this issue, researchers are exploring energy harvesting techniques that involve extracting energy from radio frequency (RF) signals. The dense deployment of antennas in 5G networks, compared to prior technologies, ensures that an RF energy source is available in close proximity to IoT sensors which can be utilized as reliable power sources for these sensors. This study focuses on the design of an efficient energy harvester for low-power IoT sensors. Specifically, the investigation centers around a scenario where dedicated directional transmitters emit continuous waves to power up IoT sensors. An optimized high-efficiency Dickson rectifier circuit is designed to convert the RF signal to DC at a high-frequency band over a wide dynamic range. The Dickson rectifier is superior for low-power, high-frequency scenarios due to its voltage multiplication and reduced losses. To minimize the effect of parasitic capacitance associated with conventional capacitors, interdigital capacitors (IDC) are designed on an FR-4 substrate with a thickness of 1.57 mm. An impedance-matching circuit utilized as a passive voltage amplifier was also employed to enhance the RF-to-DC conversion efficiency. A prototype was built and tested at the 5.2 GHz frequency band. The measurement results demonstrate the peak efficiency of the proposed energy harvesting circuit which was determined to be 73.46% when subjected to an input power of -5 dBm at$500~\Omega $load and 49.12% with -10 dBm input at 1 M$\Omega $. The proposed energy harvesting solution can operate efficiently across a broad dynamic range, outperforming the solutions reported in the literature.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».