Navegando por Assunto "Energia - Consumo"

Agora exibindo 1 - 2 de 2

Avaliação do consumo energético de smartphones em um sistema Smart Attendance
(2019) Cabral, Jefferson de Carvalho; Nóbrega, Obionor de Oliveira; Lins, Fernando Antonio Aires; http://lattes.cnpq.br/2475965771605110; http://lattes.cnpq.br/8576087238071129; http://lattes.cnpq.br/1111059195459577
Atualmente, o paradigma da Internet das Coisas está sendo visto como protagonista da revolução tecnológica em que vive a era da computação. Neste paradigma os objetos presentes em nosso cotidiano estarão conectados conosco e com outros objetos. Uma das grandes preocupações existentes no universo (IoT -Internet of Things) é a eficiência energética. Partindo do princípio que todos objetos poderão estar conetados a inúmeras redes simultaneamente, transmitindo e recebendo dados, as tecnologias de comunicação sem fio deverão ser capazes de atuar eficientemente no tráfego das informações entre os nós sem comprometer a vida útil das baterias desses dispositivos. No contexto educacional, essas tecnologias visam o desenvolvimento de salas de aulas inteligentes bem como a criação de aplicações estáticas que possuem a função de automatizar algumas atividades manuais exercidas por professores e alunos.Uma dessas aplicações estáticas é conhecida como Smart Attendance,que tem o propósito de automatizar e solucionar o problema referente à perda dos 10% do tempo de aula para o registro dos alunos a partir do uso de tecnologias que prometem um baixo consumo energético. Apesar de algumas soluções automatizarem a chamada dos alunos em sala, o desperdício dos 10% do tempo de aula ainda persiste.Isso tem comumente ocorrido devido a alguns fatores como a falta de visibilidade do problema e utilização inadequada da tecnologia. Considerando o último fator, este trabalho tem por objetivo avaliar o consumo energético de smartphones durante a realização da chamada em sistemas Smart Attendance que utilizam as tecnologias Bluetooth eBluetoohLow Energy(BLE). Por meio da revisão da literatura foi possível analisar os trabalhos inseridos no meio educacional e entender a atuação da IoT nesse contexto, compreender o funcionamento do protocolo BLE e compará-lo com o Bluetooth,explorar os trabalhos referentes à automatização do registro de alunos em sala de aula e, a partir desse último, definir uma especificação dos dados trafegados no sistema juntamente com a exibição dos fluxos de mensagens e funcionamento deste. Para avaliação do sistema considerou-se a técnica de simulação, esta por sua vez foi escolhida com base nos principais critérios utilizados para seleção das técnicas de avaliação de desempenho de sistemas. Em seguida, foi utilizado o simulador OMNet++ com o framework INETpara criar uma Mobile Ad Hoc Network(MANET) configurada com características Bluetooth e BLE, onde os nós dessa rede foram os smartphones de alunos e professor. Os resultados dessa pesquisa apontam que não existem diferenças quantitativas entre as tecnologias Bluetooth e BLE quando comparadas dentro das métricas taxa de erro de pacote e relação sinal-ruído, no entanto comprova a eficiência do BLE sobre o Bluetooth considerando a métrica de consumo energético, sendo a escolha mais racional, dentre as avaliadas, para implantação de um Smart Attendance.
Predição do consumo energético de dispositivos LoRa usando aprendizagem de máquina
(2024-12-10) Pimentel, Henrique Pablo Pinheiro dos Santos; Araújo, Danilo Ricardo Barbosa de; http://lattes.cnpq.br/2708354422178489; http://lattes.cnpq.br/0078523045227122
A Internet das Coisas (IoT) é um conceito em constante evolução que tem conquistado destaque tanto na comunidade acadêmica quanto na indústria. Dentro dela, o consumo energético é um fator fundamental para determinar o tempo de funcionamento dos dispositivos e a frequência necessária para realizar a manutenção deles. Este artigo investiga a aplicação de algoritmos de aprendizado de máquina para predição do consumo energético de dispositivos IoT-LoRa, permitindo estimar a duração da bateria dos dispositivos e sua autonomia. A metodologia considerou a criação de um conjunto de dados a partir de experimentos com placas de desenvolvimento Event stream processing (ESP32), capturando métricas como tempo de hibernação, tipo de conexão e consumo energético. Técnicas de Inteligência Artificial (IA) são então aplicadas para prever o consumo energético com base nessas variáveis. De acordo com os resultados obtidos, a melhor técnica para prever o consumo energético é a Decision Tree, com um coeficiente de determinação superior a 96%. O estudo contribui para processos decisórios que visam selecionar dispositivos IoT considerando a autonomia projetada para as baterias de tais dispositivos.