Alto

Scientific Reports volumen 13, número de artículo: 1637 (2023) Citar este artículo

1829 Accesos

1 altmétrica

Detalles de métricas

En los últimos años, la investigación sobre transductores y arquitecturas de sistemas para dispositivos autoalimentados ha llamado la atención por su impacto directo en el Internet de las cosas en términos de costo, consumo de energía e impacto ambiental. Se investiga el concepto de un nodo sensor inalámbrico que utiliza un único generador termoeléctrico como fuente de energía y como sensor de gradiente de temperatura de manera eficiente y controlada. El propósito del dispositivo es recopilar datos de gradiente de temperatura en centros de datos para permitir la aplicación de algoritmos de gestión de carga del servidor con reconocimiento térmico. Al utilizar un algoritmo de seguimiento del punto de máxima potencia, el punto de funcionamiento del generador termoeléctrico se mantiene bajo control mientras se utiliza su función de transferencia de potencia-temperatura para medir el gradiente de temperatura. De esta forma se consigue una medición más precisa del gradiente de temperatura y al mismo tiempo se cosecha energía con la máxima eficiencia. Los resultados muestran el funcionamiento del sistema a través de sus diferentes fases y demuestran su capacidad para recolectar energía de manera eficiente a partir de un gradiente de temperatura mientras se mide. Con esta arquitectura del sistema, los gradientes de temperatura se pueden medir con un error máximo de 0,14 \(^{\circ }\)C y una eficiencia de más del 92% para valores superiores a 13 \(^{\circ }\)C y una sola transductor.

Fenómenos como el Internet de las cosas (IoT)1 o las redes de sensores inalámbricos (WSN)2 contemplan la instalación de una cantidad de sensores que van desde varios cientos hasta incluso miles2. En estas redes el interés radica en alimentar de forma autónoma los diferentes nodos sensores. La solución más directa y generalizada es el uso de pilas. Pero esto tiene dos inconvenientes principales: (1) un aumento en el costo de operación y mantenimiento del nodo, y (2) un impacto ambiental significativo cada vez que se desecha una batería. Esto, multiplicado por cientos de nodos sensores, hace que la sostenibilidad a largo plazo de la red sea cuestionable. Por lo tanto, alimentar el nodo localmente mediante la recolección de energía, permitiendo la Internet de las cosas sin baterías (IoBT)3, es una mejor alternativa. Para garantizar la viabilidad energética de estos dispositivos, se utilizan dos formas en el nodo: (1) reducir la cantidad de componentes y (2) reducir el cálculo. La primera estrategia es clara: reducir el número de componentes a utilizar significa menos componentes a alimentar y, por tanto, menos consumo4. La segunda estrategia consiste en reducir el cómputo en el nodo5. Sin embargo, reducir el cálculo en el nodo para hacer posible su autoalimentación no resuelve el problema, sino que lo traslada a otra ubicación. En este caso, se traslada a centros de datos.

Ven su actividad aumentada debido a un volumen cada vez mayor de datos que almacenar y una actividad computacional cada vez mayor para procesar esta enorme cantidad de datos que conducen a unas necesidades energéticas esperadas de hasta 1287 TWh en 20306. El objetivo en estos centros es reducir el coste energético de su refrigeración o, en otras palabras, reducir la eficacia del uso de energía (PUE). PUE es un estándar para medir la eficiencia del uso de energía en centros de datos definido por The Green Grid7 y se define como:

En un escenario ideal, el PUE sería 1 y toda la energía utilizada en los centros de datos se utilizaría únicamente para alimentar los servidores. Sin embargo, este no es el caso y se requiere energía adicional para alimentar sistemas como refrigeración, monitoreo, iluminación, etc. Por ejemplo, los centros de datos de Google tienen un PUE de 1,11 en los últimos 12 meses en 20208, Microsoft un PUE de 1,125 en 20159 , Amazon informó un PUE de 1,2 en 201410, y una encuesta realizada en 2019 reveló un PUE promedio para las otras empresas de 1,6711. Con el objetivo de mejorar el PUE actual en los centros de datos, este artículo presenta un nodo sensor inalámbrico que utiliza un generador termoeléctrico (TEG) para recolectar la energía emitida en forma de calor por una unidad de microcontrolador (MCU) en un centro de datos. Simultáneamente, utilizando el mismo TEG, monitorea el gradiente de temperatura entre la MCU y su entorno. Esto permite monitorear la temperatura ambiente en el centro de datos con una granularidad fina que permite la implementación de algoritmos de administración de carga del servidor con reconocimiento térmico12. La implementación de una red de sensores inalámbricos sin batería y la implementación de algoritmos de gestión de carga del servidor con reconocimiento térmico son dos vías que permiten mejorar el PUE. Los datos se envían de forma inalámbrica con LoRaWAN mientras la energía se extrae del TEG de manera eficiente mediante un algoritmo de seguimiento del punto de máxima potencia (MPPT).

Las principales líneas de investigación centradas en el uso de TEG como fuente de energía limpia son el desarrollo y fabricación de los propios TEG, el diseño de unidades de gestión de energía (PMU) para la extracción eficiente de energía y el diseño y desarrollo de sistemas y arquitecturas que Utilice TEG para realizar un seguimiento continuo de un parámetro de interés. Por ejemplo, se presenta una nueva tecnología de ensamblaje que permite aumentar la densidad de integración de los TEG13. Diseñado para dispositivos portátiles autoalimentados, un TEG fabricado con esta tecnología permite alcanzar valores de potencia más altos, hasta 91 μW para un gradiente de temperatura de 5 \(^{\circ }\)C, que otros TEG comparables. Por otro lado, se presenta un sistema de recolección de energía basado en TEG para alimentar nodos de sensores inalámbricos14. El sistema consta de dos convertidores elevadores y destaca por permitir arrancar el sistema con una tensión de hasta 62 mV. Todo ello, consiguiendo una eficiencia de entre el 44,2 y el 75,4%. Otro trabajo interesante presenta un nodo sensor autoalimentado para monitorear una turbina de gas15. El dispositivo es capaz de entregar un voltaje regulado de 2,4 V y una potencia máxima de 0,92 W para una temperatura de turbina de 325 \(^{\circ }\)C. Y se presenta un nuevo algoritmo MPPT para extraer eficientemente energía del TEG16. El método presentado destaca por su simplicidad al requerir muy pocos componentes adicionales, lo que también permite reducir el consumo energético de su implementación. Con este método el TEG es capaz de trabajar en un punto de operación desviado no más de 1,87% respecto de su punto de máxima potencia (MPP).

Sin embargo, no hay mucha investigación sobre el uso de TEG como fuente de energía y sensor simultáneamente. Esto también se afirma en Shi et al. donde los autores presentan uno de los pocos trabajos existentes al respecto17. Se presenta un nodo sensor inalámbrico autoalimentado basado en TEG en el que el TEG se utiliza como fuente de energía y sensor. El nodo consta de un TEG conectado a un lector electrónico que consta de una PMU, un convertidor analógico a digital (ADC), un microcontrolador y un transmisor de radiofrecuencia (RF). La tensión de salida del TEG se utiliza como señal indicadora del gradiente de temperatura al que está sometido. Esta señal es capturada y digitalizada por el ADC y transmitida de forma inalámbrica a un host. Sin embargo, este enfoque adolece de un inconveniente que la solución presentada en este trabajo resuelve. Este inconveniente es que el punto de funcionamiento del TEG no está controlado. Esto tiene dos consecuencias. La primera es que la tensión de salida del TEG no puede utilizarse como indicador directo del gradiente de temperatura al que está sometido. Se podría utilizar si el TEG está en circuito abierto, pero no es así. Aunque los autores indican que la impedancia del ADC es alta, cabe destacar que la salida del TEG también está conectada a la PMU que se encarga de alimentar todo el sistema. El consumo medio del aparato, que no está indicado, hace que el TEG no se encuentre en situación de circuito abierto. Además, el consumo dinámico provoca que el punto de funcionamiento del TEG oscile de forma incontrolable. Esto provoca un error en la medición del gradiente de temperatura, en este caso, de 0,5 \(^{\circ }\)C. La segunda consecuencia es que la energía no se extrae eficientemente del TEG. El TEG necesita funcionar con una impedancia de carga igual a su impedancia interna para poder entregar la máxima potencia. El uso de algoritmos MPPT es imprescindible cuando se opera con gradientes de temperatura bajos o cuando la complejidad del sistema (es decir, su consumo energético) es notoria. No se proporciona ningún valor de eficiencia en relación con la extracción de energía del TEG. Finalmente, el trabajo indica un consumo de corriente de 17 mA del módulo de comunicación, pero no describe su diseño e implementación siendo un módulo clave del sistema.

Wen et al.18 presentan otra solución muy interesante para extraer energía y medir la temperatura mediante un generador termoeléctrico. En este enfoque se utilizan dos TEG siguiendo una configuración de doble cadena. Uno tiene la función de generar energía y el segundo como sensor en lugar de nuestra propuesta donde se utiliza un solo módulo termoeléctrico para ambas funciones a la vez. Los autores utilizan la energía recolectada para alimentar una calculadora generando un voltaje regulado de 3,3 V para demostrar la capacidad del dispositivo para alimentar soluciones comerciales. Además, para medir la potencia extraída del TEG, que es de 2,9 μW con un gradiente de temperatura de 50 \(^{\circ }\)C y una resistencia de carga de 1,8 k\(\Omega \), la impedancia de carga se configura manualmente sin ninguna coincidencia autónoma. Esto hace que ante variaciones en la impedancia de entrada equivalente del sistema alimentado por el TEG, no se extraiga energía de este de manera eficiente, otra de las ventajas de nuestro sistema. Finalmente, no se muestra si la solución es capaz de alimentar un dispositivo para permitir transmisiones inalámbricas, que es una de las principales características deseables de dichos dispositivos. Se alimenta una calculadora que no hace nada con la medición realizada por la solución. En otras palabras, el generador termoeléctrico portátil de doble cadena con sensores múltiples es capaz de recolectar energía y medir la temperatura, pero no puede generar la medición, lo que lo aleja de ser una solución comercial viable en el corto plazo.

Si bien la solución presentada tiene un gran potencial en todas las aplicaciones donde se requiere un monitoreo continuo de los gradientes de temperatura y donde no es factible hacer uso de baterías o conexiones a la red eléctrica, como aplicaciones en el monitoreo de la salud estructural19,20, la monitorización del gradiente de temperatura en edificios inteligentes para la generación de modelos de eficiencia energética21,22, o medición no invasiva de la temperatura de fluidos en tuberías utilizando TEGs23, este trabajo presenta un enfoque en el que un TEG se opera como fuente de alimentación y sensor simultáneamente mientras se extrae energía de el TEG con la máxima eficiencia en el marco de una aplicación para monitorear el gradiente de temperatura entre un microprocesador de servidor y el medio ambiente. Es decir, en su MPP. Para ello controla el punto de funcionamiento del TEG mediante un algoritmo MPPT. También se describe el algoritmo de gestión de transmisión inalámbrica con reconocimiento de energía basado en supercondensadores que se utiliza para permitir la transmisión inalámbrica de datos a través de LoRa/LoRaWAN.

Un TEG es un dispositivo de estado sólido que transduce energía térmica en energía eléctrica. Como resultado, se origina un voltaje de circuito abierto (OCV) a través de los extremos del termopar y se origina un flujo de corriente de un extremo al otro cuando se conecta una carga eléctrica. El OCV, para un gradiente de temperatura determinado, se expresa como:

donde S es el coeficiente de Seebeck y \(\Delta T\) el gradiente de temperatura a través del TEG. Mientras tanto, cuando se conecta una carga a los terminales del TEG, el voltaje de salida del TEG, que depende de su resistencia interna \(R_{TEG}\), es:

donde \(R_L\) es la carga eléctrica. De manera similar, la corriente de salida del TEG se puede expresar como:

Derivado de las ecuaciones. (2) – (4), la Fig. 1a muestra el modelo eléctrico concentrado más simple de un TEG24. Las curvas de polarización de voltaje versus corriente medidas de un TGM-127-1.0-2.5 TEG se muestran en la Fig. 1b. El rango de gradiente de temperatura utilizado se seleccionó teniendo en cuenta las pautas de temperatura ambiente de la Sociedad Estadounidense de Ingenieros de Calefacción, Refrigeración y Aire Acondicionado (ASHRAE) y las temperaturas de funcionamiento de los microprocesadores dedicados para servidores. El gradiente mínimo de temperatura es el parámetro crítico para validar la viabilidad de la solución. ASHRAE recomienda temperaturas ambiente de 18 a 32 \(^{\circ }\)C, que es el caso más restrictivo y corresponde a las recomendaciones para instalaciones tipo A125. Como ejemplo de temperaturas de funcionamiento de microprocesadores dedicados para servidores, hemos tomado como referencia un procesador AMD EPYC de 3ª Generación utilizado por las principales empresas propietarias de centros de datos26. Los datos de temperatura de referencia se han utilizado para establecer una temperatura operativa mínima de 45 \(^{\circ }\)C27 y las especificaciones del fabricante para establecer una temperatura operativa máxima de 81 \(^{\circ }\)C28. Estas temperaturas establecen un gradiente de temperatura mínimo de 13 \(^{\circ }\)C. En este trabajo, hemos caracterizado el TEG para un rango de gradiente de temperatura desde 0 \(^{\circ }\)C hasta el gradiente de temperatura máximo que es capaz de soportar la plataforma de prueba utilizada, que es 30 \(^{\circ }\ )C, con un gradiente de temperatura de 5 \(^{\circ }\)C. El TEG tiene un coeficiente de Seebeck y una resistencia de salida de 36 mV \(^{\circ }\)C\(^{-1}\) y 4,4 \(\Omega \), respectivamente. Para el gradiente de temperatura mínimo de 13 \(^{\circ }\)C, el TEG es capaz de generar un OCV de 465 mV, una corriente de cortocircuito (SSC) de 108 mA y una potencia máxima en el MPP de 12,7 megavatios. El rendimiento de un TEG como fuente de energía se puede evaluar extrayendo curvas de potencia versus voltaje para diferentes gradientes de temperatura. De estas curvas podemos extraer características como la potencia máxima para un gradiente de temperatura determinado o, lo que es más importante, el punto de funcionamiento en el que se extrae esa potencia máxima. Indicamos la eficiencia con la que se está operando el TEG mediante el parámetro \(\eta _{TEG}\), definido como:

donde \(P_{TEG}\) es la potencia extraída del TEG para un punto de operación dado y \(P_{TEG_{max}}\) es la potencia máxima que se puede extraer en MPP. Si el voltaje de operación del TEG \(V_{TEG}\) se normaliza con respecto al OCV correspondiente, como se muestra en la Fig. 1c, podemos ver cómo la potencia máxima, es decir, un \(\eta _{TEG}\ ) eficiencia del 100%, se logra para un voltaje de polarización igual a la mitad del OCV para el mismo gradiente de temperatura. Generalmente, a partir de las curvas de polarización, se extrae una curva de gradiente de voltaje versus temperatura para una corriente de carga fija para evaluar el desempeño de un TEG como sensor. Cuando se opera como sensor, configuramos el punto de operación del TEG para maximizar sus características como sensor. Por ejemplo, para maximizar su sensibilidad cuando se utiliza el voltaje como señal de salida, configuramos el TEG en un punto de operación de circuito abierto. Sin embargo, cuando utilizamos corriente como señal de salida, configuramos el TEG en un punto de operación de cortocircuito para obtener la máxima sensibilidad. En estos dos puntos de operación no se extrae energía del TEG, lo que hace inviable el uso del TEG como fuente de energía. Con el TEG como fuente de energía, el MPP debe encontrarse mediante algoritmos MPPT.

Caracterización experimental del generador termoeléctrico TGM-127-1.0-2.5. (a) Modelo eléctrico concentrado simplificado de un generador termoeléctrico de uso general. (b) Curvas de polarización del generador termoeléctrico para diferentes gradientes de temperatura (\(\Delta T\)). (c) Gráfica 3D de la potencia producida por el generador termoeléctrico (\(P_{TEG}\)), su eficiencia (\(\eta _{TEG}\)) y los puntos de máxima potencia versus su voltaje de polarización (\( V_{TEG}\)) normalizado respecto a su voltaje de circuito abierto (\(V_{TEG_{OCV}}\)) y el gradiente de temperatura (\(\Delta T\)). (d) Función de transferencia del gradiente de temperatura (\(\Delta T\)) a la potencia en el punto de máxima potencia (\(P_{TEG_{max}}\)).

Finalmente, la Fig. 1d muestra la potencia máxima en MPP generada por el TEG para cada gradiente de temperatura. La potencia máxima muestra una dependencia del gradiente de temperatura que se expresa mediante la función

que es utilizado por el módulo back-end para calcular el gradiente de temperatura medido.

Existen varios algoritmos MPPT para rastrear el MPP de un TEG para condiciones operativas determinadas. Pero todos buscan el mismo objetivo: aplicar al TEG una impedancia de carga que coincida con su resistencia interna. De las ecuaciones. (3)–(4), la condición para alcanzar el MPP es:

eso equivale a aplicar un voltaje de carga igual a la mitad de su OCV. Por lo tanto, uno de los algoritmos MPPT más comunes y conocidos es el algoritmo MPPT de voltaje fraccionario de circuito abierto (FOCV)29. El TEG se desconecta periódicamente del sistema para ponerlo en condición de circuito abierto y tomar muestras de su OCV. Luego, el TEG se reconecta al sistema y su voltaje de operación \(V_{TEG}\) se regula a la mitad de su OCV mediante la impedancia de carga aplicada. Este algoritmo presenta un inconveniente importante: no se extrae energía cuando el TEG se desconecta del sistema para medir su OCV. Así, la máxima eficiencia \(\eta _{TEG}\) se logra mientras el TEG está conectado y regulado a su MPP, pero la eficiencia promedio \(\overline{\eta _{TEG}}\) disminuye debido a la pérdidas de energía introducidas en el sistema durante los períodos de muestreo que incurren en una menor extracción de energía. Además, si la frecuencia de muestreo se reduce para aumentar \(\overline{\eta _{TEG}}\), esto puede llevar a una \(\overline{\eta _{TEG}}\) aún más baja porque el algoritmo pierde su capacidad para rastrear la variación del MPP debido a variaciones del gradiente de temperatura durante los largos períodos sin muestreo. Otro algoritmo MPPT es perturbar y observar (P &O)30. En este algoritmo, como su nombre lo indica, el voltaje de salida del TEG (o corriente, de manera análoga) se perturba ligeramente incrementando o disminuyendo su valor mientras se observa la potencia de salida del TEG resultante. Si la potencia de salida del TEG aumenta, la siguiente perturbación del voltaje (o corriente) de salida del TEG será en la misma dirección. De lo contrario, si la potencia de salida del TEG disminuye, la siguiente perturbación será en la dirección opuesta. Como resultado del algoritmo P&O, el punto de operación del TEG alcanzará su MPP y oscilará alrededor de él. Esta oscilación del punto de funcionamiento del TEG alrededor del MPP conduce a un \(\eta _{TEG}\) alto, pero no teóricamente perfecto. Esta oscilación se puede reducir disminuyendo el paso de perturbación a expensas de una velocidad de seguimiento más lenta. Como beneficio, en el algoritmo P & O, no es necesario desconectar el TEG del sistema para rastrear su OCV o SSC. De este modo se consigue un \(\overline{\eta _{TEG}}\) superior.

Si bien el algoritmo P &O permite el seguimiento del MPP sin desconectar el TEG, el algoritmo también se puede utilizar para un propósito completamente diferente: medir el gradiente de temperatura a través del TEG. Se puede obtener una función de transferencia de gradiente de temperatura versus potencia máxima (\(\Delta T\) − \(P_{TEG_{max}}\)) a partir de las curvas de polarización. A medida que el algoritmo P & O rastrea el MPP, el gradiente de temperatura a través del TEG se puede obtener a partir de la medición de la potencia de salida del TEG, que ya está monitoreada por el propio algoritmo. Por lo tanto, sólo se necesita un TEG para recolectar energía del medio ambiente y detectar simultáneamente un gradiente de temperatura; mientras tanto, lo primero se hace de manera eficiente. La solución presentada utiliza el algoritmo P & O para extraer energía de manera eficiente del TEG y al mismo tiempo usarlo como sensor de gradiente de temperatura.

El enfoque común para dispositivos autoalimentados basados en TEG tiene tres módulos principales: (1) una PMU, (2) un módulo frontal y (3) módulos posteriores. El primero es responsable de la extracción de energía del TEG. Debido al nivel de voltaje generalmente bajo emitido por los TEG31, la tarea principal de la PMU es aumentar el voltaje de entrada para generar un suministro de voltaje regulado capaz de alimentar el dispositivo. Normalmente presente en estos dispositivos, una tarea auxiliar es regular su impedancia de entrada equivalente mediante un algoritmo MPPT para maximizar \(\eta _{TEG}\). Este módulo puede ser apoyado con un módulo de almacenamiento de energía que almacena el excedente de energía cosechada proporcionando una mayor autonomía al dispositivo o la capacidad de atender un requerimiento puntual de alta potencia. El módulo frontal es responsable de interconectar el sensor utilizado para la medición del gradiente de temperatura, que puede ser el TEG o un sensor adicional. Cuando el gradiente de temperatura se mide utilizando el propio TEG, una opción es utilizar el período de desconexión durante la ejecución del algoritmo MPPT para medir el OCV. Esto implica un menor \(\overline{\eta _{TEG}}\) debido a las pérdidas de energía introducidas en el sistema durante las desconexiones del TEG. El último módulo, el backend, depende de la aplicación, pero normalmente consta de una MCU, responsable del procesamiento de datos y del control de la ejecución del algoritmo MPPT; y una interfaz para generar la medición, como un transmisor inalámbrico o una pantalla. El diagrama de bloques y una imagen del sistema presentado en este trabajo se muestran en la Fig. 2. El dispositivo utiliza el algoritmo P & O y modula la impedancia de entrada equivalente de su PMU para maximizar \(\eta _{TEG}\). Mientras se extrae energía del TEG, el módulo frontal o de detección de energía, colocado en la ruta actual entre el TEG y la PMU, detecta la energía emitida por el primero. Esto permite medir simultáneamente el gradiente de temperatura a través del TEG. El módulo frontal genera dos señales de voltaje \(V_{VTEG}\) y \(V_{ITEG}\) como indicadores de los niveles de voltaje y corriente emitidos por el TEG, respectivamente. Estas dos señales están conectadas a una MCU que las muestrea con su convertidor analógico a digital (ADC) y calcula la potencia de salida del TEG \(P_{TEG}\). Con \(P_{TEG}\) y \(V_{VTEG}\), la MCU controla la ejecución del algoritmo P &O y, utilizando su convertidor digital a analógico (DAC), genera una señal de control analógica \( V_{DAC}\) que está conectado a la PMU cerrando el circuito de retroalimentación y controlando su impedancia de entrada equivalente. Además, la MCU convierte la potencia de salida del TEG medida en gradiente de temperatura y la envía a un transceptor inalámbrico para transmitir los datos a una puerta de enlace o host. Una transmisión de red de área amplia de baja potencia (LPWAN), como en una red de área amplia de modulación de largo alcance (LoRaWAN), puede requerir un consumo de corriente relativamente alto de 17 mA como mínimo32. Si el TEG no es capaz de cubrir el consumo de energía requerido en el momento de la transmisión, ésta será inviable o, directamente, todo el sistema se parará. Para solucionar este problema, se incluye un módulo de almacenamiento de energía con la PMU. El sistema recolecta energía a través del TEG y la almacena en el módulo de almacenamiento de energía. Una vez que se almacena suficiente energía, la PMU eleva la señal \(V_{PGOOD}\) indicando al módulo de fondo que la transmisión inalámbrica es energéticamente factible y se puede realizar. Una vez que el nivel de energía en el módulo de almacenamiento cae, la señal \(V_{PGOOD}\) disminuye hasta que se vuelve a recolectar suficiente energía. En módulos de almacenamiento de energía basados en un supercondensador, el voltaje de polarización \(V_{SCAP}\) se utiliza como indicador de la energía almacenada definida como:

donde \(V_{SCAP}\) es el voltaje a través del supercondensador y \(C_{SCAP}\) su capacitancia.

El prototipo de nodo sensor inalámbrico de monitoreo térmico autoalimentado basado en un único generador termoeléctrico. (a) Diagrama de bloques de la arquitectura del sistema. (b) Fotografía de la implementación del dispositivo. (c) Diagrama de circuito del prototipo implementado.

La elección de la capacitancia del supercondensador es un aspecto crucial en este tipo de dispositivos porque tiene un impacto directo en el tiempo inicial necesario para cargar el supercondensador y poder realizar la primera comunicación inalámbrica. A su vez, la capacitancia también influye en la caída de tensión provocada por una disminución de la energía almacenada. Para facilitar el inicio del sistema y minimizar el tiempo requerido para realizar la primera comunicación inalámbrica, la capacitancia se ha dimensionado para que sea lo más pequeña posible para cumplir con los requisitos de energía de la comunicación inalámbrica. Siguiendo la ecuación. (9), para la misma cantidad de energía se puede obtener una capacitancia menor si se permite una caída de voltaje mayor. Por otro lado, un valor de capacitancia más alto permitiría una menor caída de voltaje pero también conduciría a un tiempo de arranque más largo.

La Figura 3 muestra las formas de onda de consumo actual tanto para el procedimiento de unión como para la transmisión de datos. Para unirse a LoRaWAN, el back-end necesita una energía total de 148,9 mJ, mientras que necesita una energía total de 122,4 mJ para transmitir datos. En términos de consumo de corriente, el back-end consume un consumo de corriente promedio de 42,6 mA durante la transmisión y 8,6 mA durante la recepción. Durante el estado de inactividad, cuando la MCU está en modo de funcionamiento de consumo de energía ultrabaja (LPM), el consumo de corriente promedio es de 3,7 μA. Utilizando el caso más restrictivo de 148,9 mJ, se requiere un supercondensador superior a 27,4 mF para garantizar una caída de voltaje máxima en el supercondensador por debajo de 3,3 V.

Formas de onda de consumo de corriente del módulo back-end. (a) Durante la inicialización del microcontrolador y la activación inalámbrica de LoRaWAN. (b) Durante una transmisión LoRaWAN.

Con el supercondensador completamente descargado, cuando se conecta al TEG con un gradiente de temperatura aplicado, la PMU comienza a extraer energía del TEG y se distinguen fácilmente tres fases. Como se muestra en la Fig. 4, la fase I corresponde al período en el que el TEG aún no ha sido conectado al dispositivo y no se está extrayendo energía del mismo. La Fase II comienza tan pronto como el TEG se conecta al dispositivo. Aquí es cuando la PMU comienza a extraer energía del TEG a través de su bomba de carga en primer lugar, durante \(t_{chgp}\), y su convertidor elevador, durante \(t_{boost}\), una vez que se aplica un voltaje aumentado de 1,8 V. alcanzó. Cuando \(V_{SCAP}\) alcanza un voltaje de 5V, el MCU se enciende aplicando el algoritmo P &O y se une a la red LoRaWAN. Debido al OTAA, la energía en el supercondensador disminuye y \(V_{PGOOD}\) aumenta. Una vez unido, comienza la fase III y el gradiente de temperatura se envía cada vez que se almacena suficiente energía en el supercondensador. Tanto \(t_{tminTX,TTN}\) como \(t_{minTX}\) se muestran en la Fig. 4. El primero corresponde al período mínimo de tiempo que debe transcurrir entre transmisiones para cumplir con la política de uso justo de TheThings Network33 . Este último corresponde al período mínimo de transmisión real y sólo está condicionado por la disponibilidad de energía en el supercondensador. A partir de los experimentos realizados para diferentes gradientes de temperatura, hemos medido el tiempo necesario para cargar el supercondensador, inicialmente descargado, a 5 V y permitir la comunicación inalámbrica, denotado como \(t_{start-up}\), y el tiempo necesario para cargar el supercondensador entre transmisiones, denotado como \(t_{minTX}\) ya que establece el período mínimo de transmisión. \(t_{start-up}\) y \(t_{minTX}\) se han medido y se muestran en las figuras 5a-b. La solución presenta un tiempo de arranque que muestra una dependencia del gradiente de temperatura como era de esperar. Los gradientes de temperatura más altos permiten que el TEG aumente la potencia entregada y acelere la carga del supercondensador. Para un gradiente de temperatura mínimo de 10 \(^{\circ }\)C, la supercapacitancia tarda 625 \(^{\circ }\)C en cargarse, mientras que para un gradiente de temperatura máximo de 30 \(^{\circ } \)C, la supercapacitancia requiere 18 s. El tiempo crítico de arranque para el gradiente de temperatura mínimo de 13 \(^{\circ }\)C es 2,5 min, mientras que para gradientes de temperatura inferiores a 10 \(^{\circ }\)C el sistema no puede arrancar . Este límite de operación se debe al voltaje mínimo de entrada de arranque en frío requerido por el BQ25504 y al bajo coeficiente Seebeck del TEG. El período de transmisión muestra la misma dependencia del gradiente de temperatura. En este caso, para el gradiente de temperatura crítico de 13 \(^{\circ }\)C, se ha medido un período de transmisión de 44 s. Por otro lado, se ha podido observar que el dispositivo puede transmitir con gradientes de temperatura superiores a 8 \(^{\circ }\)C. En este caso, el gradiente de temperatura es menor que el gradiente de temperatura requerido para iniciar el sistema. Esto se debe a que el BQ25504, una vez iniciado, requiere un nivel de voltaje más bajo. Un aspecto importante de la solución es su capacidad de seguir el gradiente de temperatura para extraer energía del TEG de manera eficiente y al mismo tiempo poder obtener el gradiente de temperatura al que está sometido el TEG. Esto se puede ver en la Fig. 5c. Se puede ver cómo el prototipo es capaz de seguir los cambios de gradiente de temperatura controlando el voltaje de funcionamiento del TEG a la mitad de su OCV. Como resultado se logran eficiencias del 91,8 al 98,8%, obteniendo una eficiencia del 92,5% para el gradiente de temperatura crítico de 13 \(^{\circ }\)C. Además, se puede ver cómo el dispositivo es capaz de calcular el gradiente de temperatura y transmitirlo de forma inalámbrica con un error absoluto inferior a 0,22 \(^{\circ }\)C, como se muestra en la Fig. 5d. Se muestran eficiencias \(\eta _{TEG}\) más bajas para gradientes de temperatura más bajos. Esto se debe a que, si bien los voltajes de operación del TEG disminuyen con los gradientes de temperatura aplicados, el paso de voltaje utilizado en el algoritmo P&O es constante, lo que provoca que haya una oscilación relativa mayor alrededor del MPP para gradientes de temperatura más bajos. El dispositivo realiza su funcionamiento con un consumo de energía de 3.256 mW entre transmisiones.

Formas de onda transitorias durante el arranque y el funcionamiento en estado estable del dispositivo para un gradiente de temperatura de 13 \(^{\circ }\)C. (a) El voltaje a través del supercondensador (\(V_{SCAP}\)) y el indicador de señal de la disponibilidad de suficiente energía para realizar una transmisión (\(V_{PGOOD}\)). (b) El suministro de voltaje regulado (\(V_{DD}\)).

Resultados de caracterización del dispositivo. (a) Tiempo requerido por el dispositivo para cargar el supercondensador inicialmente descargado a 5 V para permitir la comunicación inalámbrica. (b) Período de tiempo entre transmisiones versus gradiente de temperatura. (c) Voltajes de funcionamiento (\(V_{TEG}\)) y de circuito abierto (\(V_{TEG_{OCV}}\)) del generador termoeléctrico para diferentes gradientes de temperatura (\(\Delta T\)). (d) Error absoluto de la medición del gradiente de temperatura y la eficiencia de extracción de energía \(\eta _{TEG}\).

Resumiendo los resultados obtenidos, la solución presentada es capaz de operar a partir de un gradiente de temperatura mínimo de 8 \(^{\circ }\)C, siendo necesario un gradiente mínimo de 10 \(^{\circ }\)C durante el arranque. arriba. Para el gradiente de temperatura mínimo, el sistema puede arrancar entre 18 y 625 s. Utilizando el algoritmo P &O, el dispositivo es capaz de extraer energía del TEG con una eficiencia de entre 91,8 y 98,9 % mientras mide simultáneamente el gradiente de temperatura con un error máximo de 0,22 \(^{\circ }\)C. Con un consumo de energía de 3.256 mW, el nodo sensor es capaz de transmitir datos de forma inalámbrica a través de LoRaWAN (868 MHz) con una potencia de 14 dBm para alcanzar distancias de hasta 10 km de línea de visión. La Tabla 1 muestra un resumen de los resultados obtenidos en comparación con otras soluciones de última generación consideradas por los autores como algunas de las más relevantes.

Se ha presentado un enfoque novedoso para medir gradientes de temperatura utilizando un único TEG que, a su vez, alimenta de manera eficiente el sistema para permitir el desarrollo de nodos de sensores inalámbricos autoalimentados. El prototipo presentado para validar este enfoque tiene como objetivo medir los gradientes de temperatura en los centros de datos para aplicar algoritmos de gestión de carga del servidor con reconocimiento térmico. La oscilación alrededor del MPP es intrínseca al algoritmo P &O utilizado y da como resultado un error de medición del gradiente de temperatura de hasta 0,22 \(^{\circ }\)C para un gradiente de temperatura de 8 \(^{\circ }\) C, y una eficiencia del 92,5% para un gradiente de temperatura de 13 \(^{\circ }\)C. Esto se debe a que el paso de voltaje del algoritmo es constante. Un paso de voltaje dinámico ayudaría a mejorar estas especificaciones para gradientes de temperatura bajos. Aun así, el sistema es capaz de operar con un error máximo de 0,14 \(^{\circ }\)C para un gradiente de temperatura de 25 \(^{\circ }\)C, y una eficiencia de hasta el 98,8%. para un gradiente de temperatura de 30 \(^{\circ }\)C. El nodo es capaz de realizar una transmisión inalámbrica utilizando LoRaWAN para un gradiente de temperatura mínimo de 8 \(^{\circ }\)C con un período de transmisión mínimo de 44 s para el gradiente crítico de 13 \(^{\circ }\) C. Por otro lado, se requiere un gradiente mínimo de 10 \(^{\circ }\)C para poder iniciar el sistema. Todo ello se consigue con un consumo eléctrico de 3.256 mW entre transmisiones. Hay aspectos a mejorar que forman parte de nuestro futuro trabajo de investigación. Si bien no es crítico para esta aplicación, un aspecto a mejorar es reducir el voltaje mínimo de arranque del sistema reemplazando el circuito integrado comercial (IC) actualmente utilizado por una versión integrada personalizada que requiere un voltaje más bajo. El segundo aspecto a trabajar es el algoritmo P&O para que aplique un paso de voltaje dinámico para ayudar a mejorar el error en la medición del gradiente de temperatura y las eficiencias obtenidas. Con todo esto, la solución presentada permite el desarrollo de nodos sensores inalámbricos autoalimentados para monitorear gradientes de temperatura mediante el uso de un único TEG operado de manera energéticamente eficiente.

Hemos implementado un prototipo utilizando componentes discretos disponibles actualmente en el mercado (COTS). Luego, hemos validado su funcionamiento en condiciones controladas con un TEG comercial. Describimos los materiales y métodos utilizados a continuación.

Hemos utilizado un TGM-127-1.0-2.5 de Kryotherm. Hemos implementado la PMU, el almacenamiento de energía y los módulos de detección de energía en una placa de circuito impreso (PCB) de doble cara de 53 mm \(\times \) 70 mm. Se ha utilizado una placa de evaluación NUCLEO-WL55JC de STMicroelectronics para implementar el módulo back-end. La PMU se basa en un IC BQ25504 de Texas Instruments. Hemos desconectado la entrada de muestreo de voltaje de circuito abierto del BQ25504 y hemos conectado un voltaje controlado a la entrada de referencia de voltaje del IC para regular el voltaje de salida del TEG a un valor de voltaje deseado/controlado. La energía recolectada se almacena en un supercondensador de 30 mF de KYOCERA AVX. El valor del supercondensador se ha seleccionado teniendo en cuenta la energía necesaria para realizar una transmisión inalámbrica y la máxima caída de tensión permitida en el supercondensador durante un periodo de alta demanda energética. Cuando se recolecta suficiente energía para realizar una transmisión inalámbrica, la PMU reduce la señal \(V_{PGOOD}\) que está conectada a la MCU. Finalmente, la PMU tiene un segundo convertidor CC-CC, un LD39050 de STMicroelectronics, que se utiliza para generar un suministro de voltaje regulado de 1,8 V \(V_{DD}\). Para el módulo de detección de potencia, hemos utilizado un amplificador de instrumentación (InAmp) INA333 y un amplificador operacional (OpAmp) LPV521 de Texas Instruments para medir la corriente de salida del TEG \(I_{TEG}\) a través de una resistencia en derivación de 0,2 \(\Omega \) y el voltaje de salida del TEG \(V_{TEG}\), respectivamente. Se enrutan a diferentes canales de entrada del ADC de la MCU para la conversión y el posterior cálculo de la potencia de salida del TEG \(P_{TEG}\) y el correspondiente gradiente de temperatura \(\Delta T\). El módulo back-end se basa en una placa de evaluación NUCLEO-WL55JC de STMicroelectronics. El módulo tiene una MCU STM32WL55JC de doble núcleo de 32 bits con características y periféricos esenciales para la aplicación como un LPM, un ADC de 12 bits con múltiples canales de entrada, un DAC de 12 bits para generar la señal de control para la impedancia de entrada del PMU y un transmisor RF con LoRa. Una vez que la MCU se alimenta a su voltaje operativo mínimo, inicializa todos sus periféricos y procede a unirse a LoRaWAN utilizando el método de activación inalámbrica (OTAA). Una vez que se ha unido a la red, la MCU ingresa en LPM. A partir de entonces, la MCU se activa y toma muestras de \(V_{VTEG}\) y \({V_{ITEG}}\) para calcular la potencia generada por el TEG y aplica el algoritmo P &O. El gradiente de temperatura al que se somete el TEG también se calcula utilizando la Ec. (6) obtenido previamente de la caracterización TEG. Al finalizar la iteración del algoritmo, la MCU regresa a LPM. A su vez, el MCU tiene configurada una interrupción para saber cuándo hay suficiente energía en el supercondensador para realizar una transmisión inalámbrica. Esto se indica mediante la señal \(V_{PGOOD}\) de la PMU.

Se realizó una medición de barrido de voltaje lineal en el TEG utilizando una unidad medidora de fuente (SMU) B2962A de Keysight para diferentes gradientes de temperatura. Para establecer los gradientes de temperatura, se utilizó una plataforma personalizada basada en dos celdas Peltier enfrentadas. El rango de gradiente de temperatura utilizado ha sido de 0 a 30 \(^{\circ }\)C, con un paso de gradiente de temperatura de 5 \(^{\circ }\)C. El TEG también se ha caracterizado por el gradiente de temperatura crítico de 13 \(^{\circ }\)C. Para seleccionar el valor adecuado del supercondensador, se ha medido el consumo de corriente del módulo back-end utilizando la SMU B2962A durante los dos procesos de mayor demanda energética: el OTAA y la transmisión inalámbrica. Para estudiar el arranque y el funcionamiento en estado estable del prototipo, se analizaron el voltaje en el supercondensador \(V_{CAP}\), el voltaje regulado \(V_{DD}\) y la señal \(V_{PGOOD}\ ) se muestrean utilizando un osciloscopio InfiniiVision 3000A de Keysight. Para las mediciones, el dispositivo con su supercondensador completamente descargado se conecta al TEG sometido a un gradiente de temperatura. De estas mediciones se extraen los tiempos de arranque \(t_{start-up}\) y los periodos mínimos de transmisión \(t_{minTX}\) para cada gradiente de temperatura. El primero corresponde al tiempo desde la conexión del TEG hasta la conexión al LoRaWAN. Este último corresponde al tiempo entre transmisiones durante el funcionamiento en estado estacionario. Para validar la capacidad del dispositivo para rastrear el gradiente de temperatura y extraer energía del TEG de manera eficiente, se han muestreado el voltaje operativo del TEG \(V_{TEG}\) y su OCV \(V_{TEG_{OCV}}\). diferentes gradientes de temperatura. \(V_{TEG_{OCV}}\) se ha medido utilizando un segundo TGM-127-1.0-2.5 TEG conectado térmicamente en paralelo y en condición de circuito abierto. Se ha utilizado la SMU B2962A para medir el consumo de energía del dispositivo. Finalmente, para evaluar la precisión del sistema, se midió el error absoluto utilizando el mismo rango de gradiente de temperatura que para la caracterización de TEG. La eficiencia \(\eta _{TEG}\) también se ha medido a lo largo del rango del gradiente de temperatura.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles del autor correspondiente a solicitud razonable.

Dorsemaine, B., Gaulier, J.-P., Wary, J.-P., Kheir, N. y Urien, P. Internet de las cosas: definición y taxonomía 72–77. https://doi.org/10.1109/NGMAST.2015.71 (IEEE, 2015).

Iniciativa, II Hacia una definición de Internet de las cosas (IoT) (2015).

Ju, Q. y Zhang, Y. Gestión predictiva de energía para Internet de cosas sin batería. Traducción IEEE. Electron de potencia. 33, 299–312. https://doi.org/10.1109/TPEL.2017.2664098 (2018).

ADS del artículo Google Scholar

Alvarez-Carulla, A., Montes-Cebrian, Y., Puig-Vidal, M., Colomer-Farrarons, J. & Miribel-Catala, P. L. Ubiquitous self-powered architecture for fuel cell-based point-of-care applications. IEEE Trans. Ind. Electron. 68, 11447–11457. https://doi.org/10.1109/TIE.2020.3029484 (2021).

Artículo de Google Scholar

Xia, S., Yao, Z., Li, Y. & Mao, S. Descarga distribuida en línea y gestión de recursos informáticos con recolección de energía para iot heterogéneo habilitado para mec. Traducción IEEE. Alambre. Comunitario. 20, 6743–6757. https://doi.org/10.1109/TWC.2021.3076201 (2021).

Artículo de Google Scholar

Koot, M. & Wijnhoven, F. Impacto del uso en las necesidades de electricidad del centro de datos: un modelo de pronóstico dinámico del sistema. Aplica. Energía 291, 116798. https://doi.org/10.1016/j.apenergy.2021.116798 (2021).

Artículo de Google Scholar

Grid, TG Pue: Un examen exhaustivo de la métrica | la rejilla verde.

Google. Eficiencia-centros de datos-google.

Microsoft. Hoja informativa sobre la infraestructura en la nube de Microsoft: centros de datos y redes (2015).

Amazonas. Buena sostenibilidad.

Institute, U. Encuesta de la industria de centros de datos de 2019 (2019).

Villebonnet, V. & Costa, GD Middleware en la nube con reconocimiento térmico para reducir las necesidades de refrigeración 115–120. https://doi.org/10.1109/WETICE.2014.45 (IEEE, 2014).

Toan, NV, Tuoi, TTK, Hieu, NV & Ono, T. Generador termoeléctrico con alta densidad de integración para dispositivos electrónicos autoalimentados portátiles y wearables. Conversaciones de energía. Gestionar. 245, 114571. https://doi.org/10.1016/j.enconman.2021.114571 (2021).

Artículo de Google Scholar

Guan, M., Wang, K., Xu, D. y Liao, W.-H. Diseño e investigación experimental de un sistema de captación de energía termoeléctrica de bajo voltaje para nodos sensores inalámbricos. Conversaciones de energía. Gestionar. 138, 30–37. https://doi.org/10.1016/j.enconman.2017.01.049 (2017).

Artículo de Google Scholar

Wu, Y., Zhang, H. & Zuo, L. Recolección de energía termoeléctrica para el sistema de monitoreo y detección de turbinas de gas. Conversaciones de energía. Gestionar. 157, 215–223. https://doi.org/10.1016/j.enconman.2017.12.009 (2018).

Artículo de Google Scholar

Paraskevas, A. y Koutroulis, E. Un sencillo rastreador del punto de máxima potencia para generadores termoeléctricos. Conversaciones de energía. Gestionar. 108, 355–365. https://doi.org/10.1016/j.enconman.2015.11.027 (2016).

Artículo de Google Scholar

Shi, Y. et al. Un novedoso sensor de temperatura inalámbrico autoalimentado basado en generadores termoeléctricos. Conversaciones de energía. Gestionar. 80, 110-116. https://doi.org/10.1016/j.enconman.2014.01.010 (2014).

Artículo de Google Scholar

Wen, DL y cols. Generador termoeléctrico portátil de doble cadena con múltiples sensores. Microsistema. Nanoeng. 6(1), 1–3. https://doi.org/10.1038/s41378-020-0179-6 (2020).

Artículo de Google Scholar

Reilly, J. & Glisic, B. Identificación de períodos de tiempo de gradiente térmico mínimo para el monitoreo de la salud estructural impulsado por la temperatura. Sensores 18, 734. https://doi.org/10.3390/s18030734 (2018).

Artículo de Google Scholar

Newell, S. & Goggins, J. Investigación del comportamiento térmico de un piso de hormigón prefabricado híbrido utilizando sensores integrados. En t. J. Concr. Estructura. Madre. 12, 66. https://doi.org/10.1186/s40069-018-0287-y (2018).

Artículo CAS Google Scholar

Ahmed, K. y otros. Rendimiento de paneles radiantes y calefacción de aire en grandes naves industriales. Construir. Simultáneo. 11, 293–303. https://doi.org/10.1007/S12273-017-0414-8/METRICS (2018).

Artículo de Google Scholar

Uribe, OH, Martin, JPS, García-Alegre, MC, Santos, M. & Guinea, D. Edificio inteligente: arquitectura de toma de decisiones para la gestión de la energía térmica. Sensores 15, 27543–27568. https://doi.org/10.3390/S151127543 (2015).

ADS del artículo Google Scholar

Addabbo, T. y col. Desarrollo de un sistema termométrico no invasivo para fluidos en tuberías. En 2017 Simposio internacional IEEE sobre ingeniería de sistemas, ISSE 2017 — Actas. https://doi.org/10.1109/SYSENG.2017.8088260 (2017).

Siouane, S., Jovanović, S. & Poure, P. Circuitos eléctricos equivalentes de generadores termoeléctricos en diferentes condiciones de funcionamiento. Energías 10, 386. https://doi.org/10.3390/en10030386 (2017).

Artículo de Google Scholar

ASHRAE. Directrices térmicas para entornos de procesamiento de datos (ASHRAE, 2021)

AMD. Amd epyc\(^{\rm TM}\)socios del ecosistema | amd.

Larabel, M. Puntos de referencia de rendimiento de refrigeración de AMD epyc 7763. https://openbenchmarking.org/ (2021).

AMD. Guía de diseño térmico para procesadores socket sp3 (2017).

Montecucco, A. & Knox, AR Convertidor de seguimiento del punto de máxima potencia basado en el método de voltaje de circuito abierto para generadores termoeléctricos. Traducción IEEE. Electron de potencia. 30, 828–839. https://doi.org/10.1109/TPEL.2014.2313294 (2015).

ADS del artículo Google Scholar

Femia, N., Petrone, G., Spagnuolo, G. & Vitelli, M. Optimización del método de seguimiento del punto de máxima potencia y perturbación. Traducción IEEE. Electron de potencia. 20, 963–973. https://doi.org/10.1109/TPEL.2005.850975 (2005).

ADS del artículo Google Scholar

Soleimani, Z., Zoras, S., Ceranic, B., Cui, Y. y Shahzad, S. Una revisión exhaustiva del voltaje/potencia de salida de generadores termoeléctricos portátiles en relación con su geometría y materiales termoeléctricos. Nano Energía 89, 106325. https://doi.org/10.1016/j.nanoen.2021.106325 (2021).

Artículo CAS Google Scholar

Casals, L., Mir, B., Vidal, R. & Gomez, C. Modelado del rendimiento energético de LoRaWAN. Sensores 17, 2364. https://doi.org/10.3390/s17102364 (2017).

ADS del artículo Google Scholar

Red, TT Ciclo de trabajo | la red de cosas.

Xia, C., Zhang, D., Pedrycz, W., Fan, K. & Guo, Y. Cosechadora termoeléctrica basada en el calor del cuerpo humano con sistema de administración de energía de entrada ultrabaja para alimentación de sensores inalámbricos. Energías 12, 3942. https://doi.org/10.3390/en12203942 (2019).

Artículo de Google Scholar

Brunelli, D., Passerone, R., Rizzon, L., Rossi, M. y Sartori, D. WSN autoalimentada para monitoreo de centros de datos distribuidos. Sensores 16, 57. https://doi.org/10.3390/s16010057 (2016).

ADS del artículo Google Scholar

Descargar referencias

Este trabajo fue apoyado por la subvención de investigación PID2019-110142RB-C22 financiada por MCIN/AEI/10.13039/501100011033.

Electronics and Biomedical Engineering Department, Universitat de Barcelona (UB), Marti i Franques, 1-11, 08028, Barcelona, Spain

Albert Álvarez-Carulla, Manuel Puig-Vidal, Jaime López-Sánchez, Jordi Colomer-Farrarons & Pere Ll. Miribel-Español

Ingeniería Industrial e Informática, Escuela Politécnica Superior, Universidad de Lleida (UdL), C. de Jaume II, 69, 25001, Lleida, España

Albert Saiz Vela

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización, A.Á.-C.; Metodología, A.Á.-C; Software, A.Á.-C y AS-V.; Validación, A.Á.-C.; Análisis formal, A.Á.-C. y JL-S.; Investigación, A.Á.-C.; Recursos, P.Ll.M.-C. y JC-F.; Curación de datos, A.Á.-C.; Redacción - Borrador original, A.Á.-C.; Redacción - Revisión y edición, A.Á.-C., AS-V., MP-V., JL-S., JC-F. y P.Ll.M.-C.; Visualización, A.Á.-C.; Supervisión, P.Ll.M.-C.; Administración de proyectos, JC-F. y P.Ll.M.-C.; Adquisición de financiación, JC-F. y P.Ll.M.-C. Todos los autores han leído y aceptado la versión publicada del manuscrito.

Correspondencia to Albert Álvarez-Carulla.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Álvarez-Carulla, A., Saiz-Vela, A., Puig-Vidal, M. et al. Arquitectura de recolección de energía de alta eficiencia para un nodo sensor inalámbrico de monitoreo térmico autoalimentado basado en un único generador termoeléctrico. Informe científico 13, 1637 (2023). https://doi.org/10.1038/s41598-023-28378-6

Descargar cita

Recibido: 18 de octubre de 2022

Aceptado: 17 de enero de 2023

Publicado: 30 de enero de 2023

DOI: https://doi.org/10.1038/s41598-023-28378-6

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Noticias