MétaCan
Menu
Retour à la cohorte
Enregistrement W4403724810 · doi:10.1109/iws61525.2024.10713753

A Self-Powered Environmental Data Sensor Node Based on Efficient RF Power Transfer

2024· article· en· W4403724810 sur OpenAlexaff
Mengxi Yan, Ruiyao Du, Qiulei Huang, Xiaozhou Li, Nan Zhao, Lei Guo, Ke Wu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueEnergy Efficient Wireless Sensor Networks
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésSensor nodeWireless sensor networkNode (physics)Computer scienceRadio frequencyMaximum power transfer theoremTransfer (computing)Power (physics)Key distribution in wireless sensor networksComputer networkTelecommunicationsEngineeringWirelessPhysics

Résumé

récupéré en direct d'OpenAlex

This paper introduces a self-powered environmental data sensor node that relies on the collection of radio frequency (RF) energy transmitted by an unmanned aerial vehicle (UAV). A meticulously designed rectifier circuit not only captures RF energy at 433 MHz but also provides feedback of the second harmonic signal at 866 MHz to the UAV. This feedback mechanism enables antenna alignment, thereby improving energy conversion efficiency. The proposed rectifier circuit exhibits a measured RF-DC conversion efficiency of 22.8% and generates a second harmonic power of -39 dBm at an input power of -20 dBm. It is employed to power a microcontroller which coordinates the sensor to periodically collect environmental data, including temperature, humidity, and carbon dioxide concentration. Then the sensing information is transmitted to a mobile terminal using Bluetooth. An antenna calibration experiment was conducted, during which the transmitter successfully received a second harmonic signal of -59.5dBm at a distance of 12 meters from the rectifier. This experiment serves as verification that the proposed rectifier can effectively assist UAVs in achieving efficient wireless power transfer to sensing nodes located at considerable distances.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,926
Score d'incertitude au seuil1,000

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 ouverte0,0020,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,218
Écart entre enseignants0,206 · 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.

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

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetEnergy Efficient Wireless Sensor NetworksTravaux en français237 207