Article de méthode

Optimisation de la production d’énergie alimentée par l’homme en utilisant la régression des processus gaussiens

DOI :

10.3791/69810

⸱

16 janvier 2026

 ,  ,  , 
1Key Laboratory of 3D Micro/Nano Fabrication and Characterization, School of Engineering, Westlake University, 2Zhejiang Engineering Research Center of Micro/Nano-Photonic/Electronic System Integration, 3Hangzhou Navigation Instrument Co., Ltd, 4Department of Electronic and Information Engineering, School of Engineering, Westlake University

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ce protocole optimise les systèmes de production d’électricité à propulsion humaine en utilisant la régression des procédés gaussiens pour atteindre une efficacité de 80 % à 90 % tout en maintenant la sécurité physiologique, fournissant des méthodes reproductibles pour convertir l’exercice en production d’énergie durable, en répondant à la fois aux défis du chômage et des énergies renouvelables.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ce protocole présente un cadre d’optimisation par régression de processus gaussienne (GPR) pour les systèmes de production d’électricité à propulsion humaine, afin de répondre simultanément au chômage technologique et aux besoins en énergies renouvelables. Sept participants ont réalisé 112 essais répartis sur 16 configurations combinant quatre tensions de batterie (12 V, 24 V, 36 V, 48 V) avec quatre charges électriques (10 W, 30 W, 50 W, 70 W) à l’aide d’un générateur de vélo stationnaire modifié. Le modèle GPR incorporait des noyaux exponentiels carrés de détermination automatique de la pertinence (ARD) pour cartographier la vitesse de pédalage, la pression, la tension et les paramètres de charge à l’efficacité de la génération tout en quantifiant l’incertitude de la prédiction. L’acquisition de données en temps réel à 2 Hz a capturé des paramètres mécaniques et électriques via des capteurs à effet Hall, des jauges de contrainte et des analyseurs de puissance avec des protocoles de communication Modbus. Le système optimisé a atteint une efficacité maximale théorique de 80 % à 90 % avec un coefficient de variation (CoV) inférieur à 15 %, contre une efficacité de 60 % à 70 % et une variabilité de 25 % à 35 % dans les systèmes commerciaux. Les prédictions GPR ont démontré R² = 0,713 avec une latence inférieure à 10 ms grâce à des techniques d’approximation clairsemées, permettant un contrôle en temps réel. Les paramètres opérationnels optimaux variaient systématiquement : les faibles charges nécessitaient 150 à 180 tours par minute (tr/min) à 50-70 N press, tandis que les charges plus élevées atteignaient un pic entre 100 et 120 tr/min avec 100-150 N press. La configuration 48 V a amélioré l’efficacité de 68 % par rapport à la référence à 12 V (mesuré comme l’indice d’efficacité relatif, REI, normalisé à la base = 100 %). La surveillance spécifique à chaque phase a identifié l’apparition de la fatigue à 35-40 minutes, déclenchant des ajustements de contrôle conscients du risque basés sur l’incertitude postérieure. Le protocole établit des méthodes quantitatives pour équilibrer la production d’énergie avec les contraintes physiologiques, fournissant un cadre reproductible pour déployer des systèmes à propulsion humaine dans les installations de fitness où le seuil de rentabilité se produit à 0,18 $/kWh de prix d’électricité.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La convergence entre l’automatisation pilotée par l’intelligence artificielle et le changement climatique présente des défis sans précédent, nécessitant des solutions innovantes qui répondent à la fois au chômage technologique et aux transitions énergétiques durables. Les analyses empiriques prévoient 85 millions de déplacements d’emplois d’ici 2025, avec des emplois en informatique et en mathématiques augmentant le chômage de 2,8points de pourcentage 1. Simultanément, les concentrations atmosphériques de CO₂ ont atteint 426,9 ppm en février 2025, nécessitant une expansion urgente de la capacité d’énergierenouvelable 3,4. Cet article présente une approche novatrice pour traiter simultanément les deux crises grâce à des systèmes intelligents de production d’électricité à énergie humaine (HPEG), qui créent des opportunités d’emploi tout en contribuant à la production d’énergie propre. En appliquant l’optimisation de l’apprentissage automatique adaptée aux caractéristiques uniques des données biomécaniques humaines — grande variabilité, relations non linéaires et contraintesphysiologiques 5 — un cadre est développé capable de transformer les travailleurs déplacés en contributeurs productifs à la production d’énergie durable. Cette approche s’inscrit dans les récentes avancées des systèmes de recommandation intelligents qui personnalisent l’exercice physique et les régimes en fonction de métriques spécifiquesà chaque utilisateur 6.

Les implémentations actuelles de HPEG présentent des limites importantes qui empêchent une adoption généralisée. Les systèmes commerciaux présentent des performances incohérentes selon les contextes opérationnels (Figure 1). Le vélo d’appartement Eco-Powr G510 (Figure 1A) atteint une efficacité raisonnable mais souffre de fluctuations de puissance sous des charges variables7. La station de travail WeBike (Figure 1B) offre une sortie stable, adaptée uniquement à l’électronique à faibleconsommation 8. Le système de rétrofit ReRev (Figure 1C) a tenté une intégration modulaire mais a obtenu une efficacité de conversion sous-optimale9. Les prototypes académiques présentent des lacunes similaires : le vélo régénératif à faible coût (Figure 1D) génère une production stableminimale 10, tandis que les systèmes collectifs basés sur les salles de sport (Figure 1E) ne répondent qu’à des besoins énergétiques marginaux de l’installation malgré des apports multiples des utilisateurs 11. Les carreaux de sol triboélectriques avancés (Figure 1F) restent peu pratiques pour un déploiement à grandeéchelle 12. Une étude menée à l’UC Berkeley a révélé que d’étendus réseaux de machines elliptiques généraient moins de 1 % des besoins énergétiques de l’installation malgré des milliers d’utilisateursquotidiens 13. Ces résultats décevants découlent de carences fondamentales : absence d’optimisation adaptative, incapacité à tenir compte de la variabilité physiologique humaine et absence d’ajustement en temps réel du niveau de confort de l’utilisateur. Trois lacunes critiques restent non résolues : (1) aucun système HPEG antérieur n’intègre la quantification de l’incertitude dans les contrôlesen temps réel 7,8,9,10,11, (2) les relations d’efficacité entre les phases d’exercice (échauffement, régime stationnaire, fatigue) ne sont pas systématiquement cartographiées10,13, et (3) les cadres multi-objectifs optimisant simultanément la production d’énergie, la stabilité et le confort de l’utilisateur sont absents 7,8,9. Ce travail comble ces lacunes en implémentant un contrôle probabiliste basé sur le GPR avec une caractérisation des performances spécifiques à chaque phase sur 16 configurations et une architecture d’optimisation multi-objectifs équilibrant les contraintes opérationnelles concurrentes.

figure-introduction-1
Figure 1 : Mises en œuvre actuelles du HPEG dans les systèmes commerciaux et académiques. (A) Vélo commercial Eco-Powr G510. (B) Poste de travail WeBike pour électronique basse consommation. (C) Système de rétrofit ReRev pour équipement standard. (D) Prototype de vélo régénératif académique à faible coût. (E) Système collectif de collecte d’énergie basé sur une salle de sport. (F) Concept avancé de carrelage triboélectriquepour sol 7,8,9,10,11,12. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Le principal défi dans l’optimisation des systèmes HPEG réside dans les caractéristiques uniques des données énergétiques générées par l’homme. Contrairement aux sources renouvelables conventionnelles avec des schémasprévisibles 14, les données biomécaniques humaines présentent une grande variabilité interindividuelle, un comportement non stationnaire à travers les phases d’exercice, et des relations complexes non linéaires entre l’effort etla production 15. Les approches de contrôle traditionnelles ne parviennent pas à capturer ces dynamiques, tandis que les méthodes d’optimisation déterministe ne peuvent pas s’adapter à l’incertitude inhérente à la performance humaine16. La structure temporelle des données — transition à travers les phases d’échauffement, d’état stationnaire, d’intensité élevée et de fatigue — nécessite des modèles capables de capturer à la fois des motifs locaux et des relations globales. De plus, la nature multi-objective du problème, qui équilibre la génération d’énergie avec le confort et la sécurité des utilisateurs, exige des approches de modélisation sophistiquées capables de gérer des contraintes concurrentes tout en fournissant des informations interprétables pour un contrôle en temps réel.

Les avancées récentes en apprentissage automatique probabiliste offrent un potentiel de transformation pour des systèmes aussi complexes et riches en incertitude. Parmi les méthodologies disponibles, le GPR démontre des avantages mesurables pour l’optimisation biomécanique. Les contrôleurs PID déterministes ne peuvent pas s’adapter à la variabilitéinterindividuelle 17, et bien que des méthodes comme XGBoost aient montré des résultats prometteurs dans le traitement physiologique du signal, comme l’estimation de la pressionartérielle 18. Les réseaux de neurones nécessitent dix fois plus de données d’entraînement sans quantification d’incertitude, et l’optimisation bayésienne standard a du mal avec les paysages de performance humainemultimodaux 19. Le GPR répond aux exigences HPEG à travers trois propriétés appariées : (1) Les priors bayésiens permettent la convergence avec n=112 essais — critiques lorsque les expériences humaines sont limitées en ressources ; (2) Les noyaux ARD capturent la dynamique d’efficacité non stationnaire à travers les phases d’exercice (échauffement : 45 %-65 %, régime stationnaire : 75 %-95 %) tandis que la quantification de l’importance des paramètres (ltension = charge 8,3vs sl = 15,2 révèle que la tension contribue 1,8 fois plus) ; (3) L’incertitude postérieure σ² déclenche une réduction de charge consciente de la sécurité lorsqu’elle dépasse 20 % de la μ de prédiction, empêchant le stress physiologique lors de l’incertitude du modèle19,20.

Cette recherche aborde les limites existantes grâce à une approche basée sur les données qui reconnaît et exploite les caractéristiques uniques de la génération de l’énergie humaine. De la même manière que l’optimisation par algorithme a amélioré l’efficacité énergétique dans le découpage de réseauxsans fil 20, ce cadre applique une optimisation adaptative pour minimiser la perte d’énergie lors de la conversion biomécanique. Premièrement, l’optimisation adaptative est mise en œuvre, en apprenant continuellement à partir de données biomécaniques à haute variabilité pour développer des profils de génération personnalisés qui respectent les contraintes physiologiques individuelles. Contrairement aux systèmes statiques présentés à la Figure 1, l’approche s’ajuste dynamiquement à la nature non stationnaire des schémas d’exercice humains. Deuxièmement, un cadre multi-objectifs est développé qui prend en compte simultanément les exigences concurrentes de production d’électricité, de confort des utilisateurs et de durabilité de l’exercice — un équilibre actuellement inatteint par les mises en œuvre commerciales et académiques. Troisièmement, il est démontré comment la modélisation intelligente des interactions homme-machine peut transformer le HPEG d’une source d’énergie marginale en une solution d’emploi viable pour les travailleurs déplacés par l’automatisation, en particulier dans les régions où la fabrication traditionnelle a décliné. Le cadre s’applique aux installations de fitness supervisées avec des conditions contrôlées (20-22 °C). Les principales contraintes incluent : des limites de séance de 35 à 40 minutes avant la fatigue, des participants âgés de 18 à 65 ans avec une forme physique de base (VO₂max >25 mL/kg/min), une sortie de 10 à 70 W pour la recharge de la batterie, et une calibration de 15 à 20 minutes par utilisateur. La viabilité économique exige la tarification de l’électricité ≥ 0,18 $/kWh21.

Ces capacités techniques se traduisent par des exigences de déploiement. La quantification de l’incertitude maintient la sécurité des utilisateurs en réduisant les demandes lorsque les prévisions deviennent peu fiables, répondant ainsi aux préoccupations de responsabilité dans les systèmes commerciaux. L’efficacité de l’échantillonnage permet une calibration de 20 minutes sans personnel de recherche. L’optimisation multi-objectifs maintient l’engagement des utilisateurs sur des sessions répétées — essentielles à la viabilité économique que les mises en œuvre précédentes n’ont pas réussi à atteindre.

L’importance de ce travail va au-delà de l’innovation technique pour répondre aux besoins pressants de la société. La hausse du chômage dans les métiers exposés à la technologie nécessite des voies d’emploi alternatives. Les systèmes HPEG offrent un emploi accessible nécessitant une formation technique minimale, ce qui les rend adaptés aux travailleurs déplacés des tâches cognitives courantes. Bien que la production individuelle soit modeste (10-70 W), les systèmes agrégés dans les centres de remise en forme peuvent compenser les coûts énergétiques tout en fournissantun emploi 3,22. De plus, ces systèmes contribuent à l’expansion des énergies renouvelables, où les sources non fossiles ont contribué à 39,7 % de l’électricité mondiale en2024-23. En développant des méthodes d’optimisation adaptées aux données biomécaniques humaines, cette recherche établit une base pour un déploiement évolutif de systèmes énergétiques à propulsion humaine. Le cadre aborde des objectifs environnementaux et socio-économiques par l’intégration de la production renouvelable aux voies d’emploi.

Ce travail fait progresser le HPEG grâce à trois capacités GPR : (1) La variance postérieure déclenche l’ajustement de charge lorsque l’incertitude dépasse 20 % de la moyenne prédiction, empêchant ainsi les baisses d’efficacité lors des transitions de fatigue ; (2) La convergence du modèle avec n=112 essais (7 participants x 16 configurations) permet une calibration de 15 à 20 minutes par utilisateur ; (3) Les échelles de longueur du noyau ARD quantifient l’importance des paramètres (l tension = 8,3,l charge = 15,2), révélant que la tension contribue 1,8 fois plus à l’efficacité que la sélection de charge. Ces mesures réduisent la variabilité opérationnelle de 25 % à 35 % à < 15 % du coefficient de variation (CoV) tout en maintenant la fréquence cardiaque <75 % maximale.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude a impliqué des tests d’exercice non invasifs à l’aide d’un vélo stationnaire et ne présentait que le risque minimal pour les participants. Tous les participants étaient des adultes en bonne santé bénévoles qui ont donné un consentement verbal éclairé après avoir reçu des informations détaillées sur les procédures expérimentales, leur droit de se retirer à tout moment et la confidentialité des données. Les procédures suivaient les principes éthiques de la Déclaration d’Helsinki pour la recherche impliquant des sujets humains.

1. Assemblage du HPEG

  1. Assemblage de structure mécanique
    REMARQUE : Toutes les modifications mécaniques doivent être effectuées dans un espace de travail bien ventilé avec des équipements de sécurité appropriés, y compris des lunettes de sécurité et des gants de travail. Les avancées récentes dans les systèmes de collecte d’énergie à propulsion humaine ont démontré des améliorations d’efficacité grâce à un couplage mécanique optimisé24,25. Le schéma d’effet d’installation de la pièce mécanique est présenté dans Figure 2.
    1. Positionnez le cadre du vélo d’appartement sur un établi stable et fixez-le à l’aide de quatre serre-joints en C aux points de fixation de la base. Vérifiez le niveau du cadre à l’aide d’un niveau à bâton numérique sur les deux axes longitudinal et transversal. L’alignement du châssis impacte directement l’efficacité de la transmission de puissance, le désalignement de >2° réduisant l’efficacité globale du système de 8 % à 12 %.
    2. Retirez l’ensemble existant de la roue de résistance par friction en déconnectant d’abord le câble de réglage de la résistance (couple de décharge de tension : 2,5 ± 0,5 N·m), puis en retirant les quatre boulons hexagonals M8 x 25 mm à l’aide d’une clé à douille de 13 mm. Stockez les composants du mécanisme de résistance dans des contenants étiquetés pour d’éventuelles modifications futures.
    3. Démontez complètement l’unité de la roue arrière. Relâchez le mécanisme de dégagement rapide (appliquant une force de 15 ± 2 N) et retirez soigneusement le pneu pneumatique et la chambre à air. Utilisez des leviers de pneu (méthode de contact minimum en 3 points) pour séparer le pneu de la jante sans endommager la surface de la jante en aluminium. Une étude récente a montré que les configurations uniquement sur jante atteignent une accélération angulaire supérieure de 35 % à 45 % par rapport aux ensembles completsde roues 27.
    4. Nettoyez soigneusement le bord exposé à l’aide d’alcool isopropylique (pureté à 99 %, taux d’application : 50 mL/m²) pour éliminer tout résidu de caoutchouc ou de composés adhésifs. La qualité de la préparation de surface affecte le coefficient de friction jusqu’à 20 %. La jante nettoyée sert d’élément principal d’entraînement avec une inertie de rotation réduite (réduction du moment d’inertie : Ifinal = 0,55, Ioriginal ± 5 %).
    5. Fabriquer le support de montage du générateur en plaque d’aluminium 6061-T6 (épaisseur : 8 ± 0,1 mm, rugosité de surface Ra < 1,6 μm) selon les spécifications. Machine quatre trous de montage (diamètre : 8,5+0,05/-0 mm) à l’aide d’une fraiseuse CNC ou d’une perceuse à colonne avec des mèches à échelons (vitesse d’avance : 150 mm/min, vitesse de la broche : 1200 tours par minute (RPM)), en maintenant un alignement perpendiculaire dans une limite de ±0,5°. Appliquer un fluide de coupe (viscosité : 22 cSt à 40 °C) lors de l’usinage pour garantir la qualité de la surface. Transférez la conception du support sur la plaque en aluminium à l’aide d’un marqueur, fixez la plaque à une table à perceuse à colonne, et percez les trous de fixation à l’aide de mèches à échelons à la vitesse d’avance et à la vitesse de broche spécifiées.
    6. Calculez les rapports de transmission optimaux en utilisant les relations suivantes pour atteindre des vitesses de générateur comprises entre 1500 et 3000 tr/min à des cadences de pédalage typiques (60 - 90 tr/min)28
      Relation de vitesse angulaire : figure-protocol-1.
      Mesurez le rayon de la manivelle r₁ = 170 ± 5 mm à l’aide d’un étrier numérique (résolution : 0,01 mm)
      Mesurez le rayon de la jante arrière r₂ = 310 ± 10 mm (configuration uniquement sur jante).
      Sélectionnez les rapports de transmission : plateau avant c₁ = 48 dents, pignon arrière c₂ = 16 dents (rapport de transmission = 3:1).
      Rayon de la poulie génératrice rg = 25 ± 0,5 mm pour une multiplication optimale de la vitesse (rapport final : 12,4:1).
      Efficacité de transmission de puissance ηmécanique = 0,92 ± 0,03 pour un système correctementaligné 28,29.
    7. Installez le système principal de transmission par chaîne à l’aide d’une chaîne de vélo renforcée de 1/2 pouce x 1/8 de pouce (résistance minimale à la traction : 920 kgf, limite d’allongement : 0,5 %). Passez la chaîne à travers le mécanisme du dérailleur si présent, en maintenant une ligne de chaîne appropriée (déviation < 3 mm de la ligne médiane), ou directement entre le plateau et le pignon pour une configuration à pignon fixe. L’efficacité de la chaîne varie avec la tension : ηchaîne = 0,98 à la tension optimale, diminuant à 0,94 à ±30 % dedéviation 29.
    8. Ajustez la tension de la chaîne en repositionnant l’ensemble roue arrière dans les sorties horizontales (plage de réglage : 25 mm). Déviation de la chaîne cible : 12 ± 2 mm à mi-envergure lors de l’application d’une force perpendiculaire de 10 N. Une bonne tension prolonge la durée de service de la chaîne et maintient une transmission de puissance constante. Verrouillez la position des roues à l’aide du mécanisme à libération rapide serré à 5,5 ± 0,5 N·m à l’aide d’une clé dynamométrique calibrée.
    9. Fabriquez un adaptateur de poulie de courroie en V personnalisé en aluminium 6061-T6 pour l’interfacer avec le moyeu de la roue arrière. Les spécifications critiques incluent :
      Diamètre intérieur : adapté aux dimensions du moyeu (généralement 36 ± 0,1 mm avec tolérance h7)
      Rainure extérieure de la poulie : profil de courroie en V (largeur supérieure de 13 mm, profondeur de 8 mm, angle de rainure de 38°)
      Finition de surface : 0,8 μm Ra sur les surfaces de rainures pour une prise optimale sur la ceinture
      Équilibrage dynamique selon la grade G2.5 selon la norme ISO 1940-1 (déséquilibre résiduel < 2,5 g·mm/kg)
      Moment d’inertie massique : < 0,015 kg·m² pour minimiser la résistance à l’accélération
    10. Montez le générateur à aimant permanent (spécifications : 24 V/300 W, configuration 12 pôles, aimants en terres rares grade N42) sur le support fabriqué à l’aide de quatre vis à tête à douille M8 x 30 mm (grade 12,9) avec rondelles à ressort (hauteur libre : 5 mm, compression : 60 %). Appliquer un bloc-filetage de résistance moyenne (couple de rupture : 11 N·m) pour éviter le desserrement dû aux vibrations. La rigidité du générateur doit dépasser 1 x 10⁶ N/m pour éviter les problèmes derésonance à 30.
    11. Alignez l’arbre du générateur avec la poulie montée sur la roue à l’aide d’un outil d’alignement laser ou d’une ligne droite de précision. Désalignement maximal autorisé : 0,5° angulaire, décalage parallèle de 2 mm. Le désalignement augmente les charges de support jusqu’à 50 % et réduit la durée de vie de la courroie de 60 %. Lors de l’utilisation d’un outil d’alignement laser, montez le dispositif sur l’arbre du générateur, tournez à 360° en observant la position du point laser sur la poulie de la roue, puis ajustez la position du générateur à l’aide de la fente de fixation jusqu’à ce que le mouvement du point reste à moins de 2 mm pendant toute la rotation. Pour l’alignement des droites, placez une ligne droite de précision couvrant les deux poulies et ajustez jusqu’à ce que l’écart soit inférieur à 2 mm à tous les points de mesure.
    12. Installer la courroie secondaire en V (Type A, longueur calculée comme figure-protocol-2, où C = distance centrale, D = grand diamètre de poulie, d = petit diamètre de poulie) entre la poulie de roue et la poulie génératrice. Tendez la courroie à l’aide du réglage de la fente de montage du générateur pour obtenir une allongation de 1,0 % à 1,5 % (méthode de la force de déviation : une force de 16 N produit une déflexion de 4 mm à la distance médiane), correspondant à environ 350 ± 50 N de force de tension pour les courroies de type A. Le seuil de glissement de courroie se produit à <250 N de tension.

figure-protocol-3
Figure 2 : Installation de générateur de vélo à entraînement par jante. Le réglage présente l’intégration du module d’entraînement sans friction, du capteur de vitesse à effet Hall, de la transmission par courroie en V et du manomètre intégré. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

  1. Assemblage de circuits électroniques et intégration système
    1. Système de rectification et de filtrage : Construire le redresseur triphasé à pont complet sur une carte de circuit imprimé double face (cuivre 70 μm, conductivité thermique : 401 W/m·K) à l’aide de six diodes de récupération ultrarapides (VRRM ≥ 200 V,IF(AV) ≥ 30A,trr < 35 ns). Monter sur un dissipateur thermique en aluminium avec un matériau d’interface thermique (λ>5 W/m·K)31. Fabriquer le filtre LC à l’aide d’une inductance personnalisée (28± 1 tour, 14 AWG sur noyau poussière Sen : OD=47 mm, ID=24 mm, L=100 μH ± 5 %, Q>50) et une banque de condensateurs (4 x 1100 μF/100 V, ESR <7 mΩ au total, courant d’ondulation > 20,8 A RMS). Connectez avec un fil de polytétrafluoroéthylène 12 AWG, en maintenant unR total < 10 mΩ. Soudez les six diodes sur la carte de circuit imprimé double face en configuration pont, appliquez un composé thermique entre les languettes de diode et le dissipateur thermique en aluminium, et fixez-la avec des fixations appropriées. Enroulez l’inductance en enroulant 28 tours de fil autour du noyau toroïdal, en maintenant un espacement uniforme, puis connectez les condensateurs en parallèle à l’aide de courtes longueurs de fil pour minimiser la résistance série équivalente.
    2. Suppression des interférences électromagnétiques et compliance : Étranglement en mode commun à vent sur un noyau nanocristallin (μ i>80 000, Bs>1,2 T) avec technique bifilaire atteignant L_CM=15 ± 2 mH, k>0,99, CMRR>40 dB (150 kHz-30 MHz). Installer des condensateurs de sécurité selon la norme IEC 60384-14 : condensateurs X (2 x 0,47 μF/310 VAC MKP), condensateurs en Y (2 x 4,7 nF/300 VAC C0G), avec 1 résistance de décharge MΩ (τ=0,47 s). Maintenir la fluance >6 mm, le dégagement >5,5 mm pour l’environnement de degré de pollution 2.
    3. Implémentation du contrôleur de suivi maximal de points de puissance (MPPT) : Programme STM32F334C8T6 avec un algorithme MPPT adaptatif. Les contrôleurs MPPT modernes démontrent des efficacités de suivi allant de 93 % à 97 % dans des conditions de fonctionnement typiques, avec des implémentations avancées atteignant jusqu’à 99 % en laboratoire32. Caractéristiques de l’algorithme : perturbation adaptative (ΔV = α × |dP/dV|, α∈ [0,005,0,025]), période d’observation variable (Tobs = β/|( d2P) / (dV2 )|, β∈ [10 ms, 100 ms] ), la montée de côte avec détection maximale locale, filtre à moyenne mobile à 8 échantillons (fc = 10 Hz). Implémentez une mesure de précision 16 bits à l’aide d’un diviseur résistif à 0,1 % (100 kΩ/10 kΩ, TC<25 ppm/°C) et d’un capteur Hall avec conditionnement de signal. Programmez le microcontrôleur en le connectant à un ordinateur via un programmeur standard, en compilant le code de l’algorithme MPPT, puis en flashant le firmware. Configurez les canaux ADC pour la détection de tension et de courant avec la résolution et le temps d’échantillonnage spécifiés, puis réglez la sortie du minuteur de modulation de largeur d’impulsion (PWM) pour atteindre la fréquence de commutation cible.
    4. Conversion et contrôle de la puissance : Configurez le convertisseur DC-DC avec PWM à 31,25 kHz ± 0,1 % (stabilisé par cristal), temps mort≥ 500 ns, démarrage en douceur=100 ms, cycle de travail≤ 95 %, limite de courant = 125 % en mode hoquet. Efficacité de la cible >92 % à 50 % à 100 % de charge. Établir une communication Modbus RTU (115200 baud, 8N1) pour la surveillance en temps réel de la tension (±0,1 V), du courant (±0,1 A), de la puissance (±1 W), de l’efficacité (±1 %), de la température (±1 °C) à un taux d’échantillonnage de 10 Hz avec tampon circulaire (3600 échantillons) et la validationCRC-16 33.
    5. Boîtier système et protection : Monter l’électronique dans un boîtier IP54 (400 x 300 x 200 mm) avec ventilation filtrée (entrée : 100 cm², sortie : 120 cm²). Mettre en place une protection complète : diode TVS, disjoncteur électronique (20 A ±2 %, réponse <10 μs, I²t=50A²s), surveillance thermique, protection contre la polarité inverse. Fils selon les normes IEC 60446 en utilisant des ferrules et des spécifications de couple appropriées (M4:1,2 N·m, M6:3,0 N·m, M8:6,0 N·m).
      REMARQUE : Le schéma de circuits utilisant la stratégie ci-dessus est montré à la Figure 3.
    6. Validation de sécurité et mise en service : Exécuter les contrôles de sécurité IEC 61010-1 : résistance d’isolation >10 MΩ à 500 VDC/60 s, continuité de la terre <0,1 Ω à 10 A, résistance diélectrique à 2500 VAC/60 s (<5 mA), déclenchement du circuit de défaut à la terre <30 ms à 30 mA. Initialiser avec une alimentation de laboratoire (24 VAC, limite 5 A) pour vérifier la propagation <5 % pp à une charge de 75 W. Valider la performance MPPT : > 97 % d’efficacité de suivi, convergence de <2 s pour 20 % de pas, < 1 % d’oscillation en régime permanent. Circuits de protection de test avec défauts contrôlés confirmant des seuils de réponse appropriés. Pour les tests de résistance d’isolation, déconnectez toutes les charges, appliquez la tension de test entre les bornes sous tension et la terre à l’aide d’un mégohmphmètre pour la durée spécifiée, et vérifiez que la lecture dépasse le seuil minimum. Pour la mesure de la continuité de la terre, connectez un ohmmètre à faible résistance entre la borne de terre et les pièces métalliques exposées, appliquez le courant de test et confirmez que la résistance reste inférieure à la valeur maximale spécifiée.
    7. Phase mécanique d’arrivée et référence : Réalisation d’essais mécaniques gradués : Phase 1 - 30 tr/10 min sans charge (ΔT<10 °C, vibrations<0,5 m/s², bruit<60 dB à 1 m) ; Phase 2 - 60 tr/25 W de charge (variation de couple<±5 %, courbe de puissance 20-90 tr/min) enregistrée) ; Phase 3 - 75 tr/150 V/30 min pleine charge (stabilisation thermique ΔT<1 °C/5 min). Objectifs d’efficacité des documents : >75 % à 25 % de charge, >85 % à 50 % de charge, >88 % à pleine charge.
    8. Étalonnage et cartographie des performances : Étalonnez en utilisant Fluke 8845A (0,0035 % de précision) aux points de tension (0 V, 12 V, 24 V, 36 V, 48 V, 60 V ± 0,01 V) et aux points de courant (0 A, 1 A, 2 A, 5 A, 10 A, 15 A, 20 A ± 0,01 A). Charge électronique programmée (200 W en continu) pour des essais complets sur 25 points d’essai (matrice 5 V x 5 I). Stockez les coefficients d’étalonnage dans une mémoire programmable en lecture seule électriquement effaçable, implémentant Vcorrigé = gain xV mesuré + décalage avec ±0,5 % d’erreur maximale. Connecter le multimètre de précision en parallèle avec les points de mesure du système, appliquer une série de tensions et courants de référence connus provenant de sources étalonnées, enregistrer à la fois les valeurs de référence et mesurées pour chaque point de test, puis calculer les coefficients de correction linéaires et les stocker dans la mémoire du microcontrôleur pour atteindre la précision de mesure cible.
    9. Documentation des performances du système : Générez des cartes d’efficacité (0-150 W, résolution de 5 W) identifiant le point d’efficacité maximale (généralement évalué 70 % à 80 %). Vérifiez la dynamique MPPT : 10 % de pas <0,5 s, 50 % de pas <2 s, 100 % de rejet de charge <3 s sans surtension. Confirmez > suivi en régime permanent à 97 % sur une enveloppe d’humidité relative de 15 à 40 °C, 30 % à 85 % d’humidité relative. Équilibre thermique record : dissipateur thermique < 80 °C, condensateurs < 85 °C, magnétiques < 110 °C avec une dégradation de -2,5 W/°C au-dessus de 40 °C ambiant (thermique τ ≈ 15 min à 95 % de température finale).
    10. Intégration finale et vérification : Intégration complète du système, en veillant à ce que tous les sous-systèmes fonctionnent selon les spécifications. Effectuez un test de fonctionnement continu de 4 heures à puissance nominale, en surveillant tous les paramètres. Documenter la performance mesurée par rapport aux objectifs de conception, en créant un manuel opérationnel avec un planning de maintenance. Implémenter la journalisation des données pour le suivi des performances à long terme et des algorithmes de maintenance prédictifs basés sur des modèles de dégradation des composants.

figure-protocol-4
Figure 3 : Système électronique. Le schéma comprend le redresseur triphasé, le circuit de filtre LC, le contrôleur MPPT et le convertisseur DC-DC. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

2. Conception expérimentale

  1. Recrutement des participants et évaluation de base
    1. Recrutez 7 bénévoles en bonne santé par les canaux institutionnels (5 hommes, 2 femmes, âgés de 22 à 30 ans, IMC de 22,8 ± 2,1 kg/m²).
    2. Évaluez les participants à l’aide du Questionnaire de préparation à l’activité physique. Pour garantir la sécurité, excluez les personnes souffrant de troubles cardiovasculaires ou de contre-indications connues à l’exercice d’intensité modérée. De plus, excluez les participants ayant subi des blessures musculosquelettiques au cours des 6 mois précédents.
    3. Effectuer une évaluation de la condition physique de base en utilisant le protocole ergomètre cyclométrique submaximal YMCA. Stratifiez les zones cibles de fréquence cardiaque en trois niveaux d’intensité : faible (40 % - 55 %FC max), modéré (55 % - 70 %FC max) et élevé (70 % - 85 %FC max).
    4. Organisez une séance de familiarisation de 20 minutes pour chaque participant. Avant la collecte des données, instruisez les participants sur la bonne posture de vélo et fournissez une démonstration de la technique optimale de pédalage. Ajustez l’équipement pour chaque individu afin d’assurer une biomécanique cohérente à travers tous les essais.
  2. Protocole expérimental
    1. Concevez une expérience factorielle 4 x 4 testant quatre configurations de batteries (12 V, 24 V, 36 V, 48 V) contre quatre conditions de charge électrique (10 W, 30 W, 50 W, 70 W), obtenant 16 conditions expérimentales par participant (n = 112 essais au total).
    2. Randomisez les essais en utilisant un plan équilibré en carré latin avec un minimum d’intervalles de récupération de 48 heures entre les séances, et standardisez les conditions environnementales à 20 - 22 °C et 40 % - 50 % d’humidité relative.
    3. Exécutez chaque essai expérimental en suivant cette séquence structurée : divisez la session expérimentale en cinq phases distinctes : une évaluation de base (5 min), un échauffement à 50 RPM (5 min), et une période principale de collecte de données impliquant un cycle continu à l’intensité cible (20 min). Après la phase active, assurez-vous que les participants subissent un refroidissement progressif de 5 minutes. Enfin, réalisez une évaluation post-exercice sur 5 minutes en utilisant l’échelle d’effort perçu de Borg.
    4. Fixez la transmission du vélo à la vitesse avant 2 et à la 9e arrière (rapport de vitesse 0,222) avec une longueur de bras de pédale de 174 mm afin de maintenir un avantage mécanique constant sur toutes les épreuves.
  3. Instrumentation et système d’acquisition de données
    1. Intégrer un système d’acquisition de données multi-couches comprenant les couches capteurs, de communication, de traitement et d’application fonctionnant en parallèle pour assurer une surveillance en temps réel à une fréquence d’échantillonnage de 2 Hz (Figure 4).
    2. Configurez la couche capteur avec trois canaux de mesure indépendants : pour la surveillance mécanique, installez un capteur à effet Hall (1000 Hz, ± 0,1 tr/min) sur la jante arrière et des cellules de charge de jauge de contrainte (500 N, 0,1 % FS) sur les deux pédales. Enregistrez les données électriques du système à l’aide d’un analyseur de puissance multicanal, en lisant six paramètres sur 10 registres Modbus. Pour les variables principales, enregistrez la vitesse de pédalage s (RPM, plage 0-200), la force de pédale p (N, plage 0-500, sommée des deux pédales via les cellules de charge de jauge), la tension de batterie v (V, niveaux discrets : 24/12/36/48) et la charge électrique l (W, niveaux discrets : 30/10/50/70). Dériver l’efficacité comme η = Pélectrique /Phumain × 100 %
      où Phumain = F·r·ω (F dans N, r = 0,174 m, ω en rad/s). Appliquer un prétraitement avec normalisation min-max pour s et p en utilisant les 20e-80e percentiles, un codage discret (0, 0,33, 0,67, 1,0) pour v et l, et la détection des valeurs aberrantes IQR (Q1 ± 1,5 x bornes IQR). Calculez les caractéristiques temporelles (μs, μp, σs,σ p) via des fenêtres glissantes à 10 échantillons.
      REMARQUE : La variable p représente la force totale de la pédale (N) mesurée directement par des jauges de déformation, et non par la pression. Bien que la pression de pédale soit utilisée de manière familière dans les contextes cyclistes, toutes les mesures et analyses de cette étude font référence à la force en N.
    3. Implémenter la couche de communication avec une architecture double protocole et une capacité de basculement automatique (Figure 4) : La communication reposait sur une interface Modbus RTU via RS-485 qui passait par défaut au Modbus TCP en cas de défaillance série. Dans le protocole de démarrage, incluez une calibration à point zéro surveillée par interface graphique (GUI) pour les capteurs de force basée sur une moyenne de 10 échantillons.
    4. Développer la couche de traitement en utilisant un langage de programmation interprété avec cadre GUI pour effectuer la collecte synchronisée des données tous les 500 ms (Figure 4 Pipeline central de traitement). Calculez en temps réel la puissance humaine (Phumain) à l’aide de l’équation
      Phumain = F⋅r⋅,
      où r est fixé à 0,174 m. Déterminez le mode de fonctionnement du système en évaluant la polarité actuelle de la génération – positive pour la production et négative pour l’alimentation en batterie – ce qui dicte ensuite la formule spécifique de calcul de la puissance totale. Pour garantir la stabilité des données, appliquez une fenêtre glissante de 100 échantillons pour calculer les statistiques en continu (moyenne, maximum, minimum) sur tous les paramètres.

figure-protocol-5
Figure 4 : Flux de travail d’acquisition de données en temps réel à quatre couches. Le flux de travail illustre le fonctionnement parallèle des couches capteurs, de communication, de traitement et d’application. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

  1. Contrôle qualité et validation
    1. Implémenter une architecture de validation multi-niveaux : Pour garantir l’intégrité des données, signalez automatiquement les valeurs aberrantes en utilisant la méthode de plage interquartile (IQR) avec des frontières (Q1/3 ± 1,5 x IQR). Gérer la stabilité de la communication à l’aide d’une séquence de trois tentatives déclenchées par des erreurs avant tout changement de protocole, tandis que de brèves lacunes de données ont été reconstituées par interpolation linéaire.
    2. Configurez la couche application avec une visualisation complète : Utilisez une interface graphique à quatre panneaux pour des visualisations en temps réel avec des indicateurs de statut codés par couleur, ainsi qu’une section métriques de performance pour évaluer la stabilité de l’échantillonnage et la qualité des données. Examinez les données historiques via trois modes tabulaires distincts : All Data, Power Focus et Performance Focus.
    3. Configurez la journalisation continue des données vers des fichiers CSV horodatés : Les fichiers de sortie respectaient la convention [Expérimentateur][Batterie][Chargement]Rapport[Timestamp].csv et comprenaient 15 paramètres synchronisés. Pour garantir la fidélité temporelle, appliquer le contrôle de synchronisation de précision du système avec un mécanisme de correction de dérive déclenché tous les 200 cycles.
    4. Mettre en œuvre des dispositifs de sécurité pour la terminaison automatique de session : Les critères de terminaison expérimentaux étaient définis par trois limites distinctes : un seuil physiologique de 95 % de fréquence cardiaque prévue par l’âge, un plafond de charge mécanique de 500 N, et une garantie de stabilité du système déclenchée par cinq défaillances consécutives de communication.
    5. Vérifier la performance du système : atteindre une complétude des données supérieure à 98 % sur tous les essais avec une latence moyenne de 8,3 ± 2,1 ms entre la lecture du capteur et la mise à jour de l’affichage, permettant un retour en temps réel pour maintenir les paramètres cibles de l’exercice tout au long de chaque session expérimentale.

3. Méthodologie de sélection et d’optimisation des modèles

  1. Cadre de sélection de modèle
    1. Sélectionnez trois algorithmes d’apprentissage automatique avec des fondements théoriques distincts pour l’analyse comparative : les approches de modélisation sélectionnées ici sont les Modèles Additifs Généralisés (GAM) pour leur interprétabilité exceptionnelle via la décompositionadditive 34 ; Régression des processus gaussiens (GPR) pour sa capacité bayésienne à quantifier l’incertitude critique pour les opérations en tempsréel 35,36 ; et Boost des moindres carrés (LSBoost)36.
      REMARQUE : Les ensembles de boosting, y compris XGBoost, ont récemment démontré une grande précision prédictive et une grande efficacité computationnelle dans diverses tâches de prédiction37, ce qui en fait une base solide pour la comparaison. Cette dernière a été choisie spécifiquement pour assurer la robustesse face aux valeurs aberrantes tout en modélisant efficacement les interactions complexes de variables.
    2. Exécutez le protocole de sélection de modèle conformément au Fichier Supplémentaire 1. Après le prétraitement des données (détection d’aberrations IQR et normalisation min-max), évaluez les modèles en utilisant une technique de validation croisée à 5 points. Prioriser la sélection finale du modèle en fonction du coefficient de détermination afin de maximiser la précision prédictive.
  2. Implémentation de l’algorithme
    1. Formalisez le problème d’optimisation comme une recherche contrainte dans l’espace des paramètres à quatre dimensions : vitesse de pédalage s, pression p, tension v et charge l.
    2. Définir des plages opérationnelles physiologiquement durables. Limitez l’espace de recherche par les 20e et 80e percentiles des paramètres observés calculés à partir du pool total de participants. Cette restriction a permis de limiter l’optimisation à un domaine d’intensités d’exercice confortables, évitant ainsi les exceptions.
    3. Mettez en œuvre une stratégie hiérarchique de recherche en grille adaptative. Évaluer l’efficacité prédite via le modèle GPR entraîné sur une grille uniforme de 20 x 20 dans l’espace vitesse-pression normalisé ([s, p] ∈ [0, 1]²). A intégré des variations paramétriques discrètes pour la tension (12, 24, 36, 48 V) et la charge (10, 30, 50, 70 W) dans l’évaluation afin de cartographier de manière exhaustive le paysage des performances.
    4. Effectuez des améliorations locales dans des régions prometteuses. Les optima locaux du sujet ont été extraits de la recherche primaire vers un processus d’affinement où une grille de 5 x 5 était centrée sur chaque candidat. Réévaluer les prédictions d’efficacité dans ces domaines localisés à haute résolution.
    5. Appliquer des critères d’affinement combinant l’efficacité prédite et l’incertitude du modèle. Identifier les candidats optimaux en filtrant pour des valeurs d’efficacité supérieures à 80 % du maximum, tout en écartant simultanément les régions à forte incertitude définies par un écart type postérieur supérieur à 20 % de la moyenne prédiction (seuil d’incertitude issu de l’analyse des données de validation).
    6. Configuration optimale de sortie pour chaque combinaison batterie-charge avec les intervalles d’efficacité et de confiance prédictifs correspondants.
  3. Évaluation du modèle et analyse des résultats
    1. Effectuer une validation croisée stratifiée à 5 ans. Pour évaluer la généralisation du modèle, divisez l’ensemble de données en cinq volets en utilisant le regroupement au niveau des participants (tous les essais de chaque participant assignés au même groupe) afin d’éviter toute fuite de données au sein du sujet. À chaque itération, entraîner le modèle GPR sur quatre pli et valider sur le cinquième, un processus répété sur toutes les combinaisons de pli pour garantir une évaluation complète.
    2. Sélectionnez trois métriques d’évaluation basées sur les exigences opérationnelles HPEG : R² (coefficient de détermination, plage 0-1) quantifie la proportion de variance d’efficacité expliquée par le modèle ; La RMSE (erreur quadratique moyenne de la racine, en unités en pourcentage) mesure la précision de la prédiction de la tolérance de contrôle où <12 % d’erreur maintient la stabilité du système ; L’AM (erreur absolue moyenne, en unités en pourcentage) fournit une estimation robuste de l’erreur moins sensible aux valeurs aberrantes lors des phases de fatigue. Ces métriques de régression abordent la prédiction de l’efficacité continue sans préoccupation de déséquilibre de classe. La précision impacte directement le rendement énergétique (gain d’efficacité de 1 % ≈ 0,02 $/session à 0,18 $/kWh) et la sécurité (>erreur de 15 % déclenche la réduction de la charge).
    3. Calculer les métriques de performance pour chaque modèle : L’évaluation de la performance basée sur le coefficient de détermination a donné des résultats distincts pour chaque approche de modélisation38, 39, 40. GAM a produit un R² de 0,58439, tandis que LSBoost a montré une meilleure précision à 0,657. Le modèle GPR a démontré l’ajustement le plus fort avec un R² de 0,681 (moyenne de validation croisée à 5 fois)40.
    4. Sélectionnez le GPR comme modèle optimal basé sur la capacité la plus élevée de R² et de quantification de l’incertitude.
    5. Optimiser les hyperparamètres GPR par la maximisation de la vraisemblance marginale. Configurez le modèle GPR avec des hyperparamètres optimaux, spécifiquement une échelle de longueur de σl = 15,2 et une variance de signal de σf = 0,8, afin d’assurer un lissage et une échelle d’amplitude appropriés.
    6. Générez un paysage d’optimisation pour les 16 configurations batterie (Figure 5), et analysez les résultats clés des résultats d’optimisation : L’efficacité a montré une augmentation monotone de la tension de batterie, atteignant un pic à la configuration 48 V et un pic à la configuration 48 V avec un REI = 168 % (68 % au-dessus de la référence de 12 V, où l’efficacité absolue de conversion variait entre 45 % et 95 % sur toutes les phases), représentant une amélioration de 68 % par rapport à la base de 12 V. En termes d’optimisation mécanique, des régimes distincts ont été identifiés : des conditions de faible charge (10 W) favorisaient des stratégies à cadence élevée (150-180 tr/min, 50-70 N), tandis que des charges plus élevées (50 W, 70 W) nécessitaient un passage vers des cadences plus basses (100-120 tr/min) avec une pression de pédale accrue (100-150 N).
    7. Effectuer une analyse de la frontière de Pareto des compromis entre efficacité et confort. Pour évaluer le compromis entre performance système et expérience utilisateur, cartographiez l’efficacité avec les scores de confort dans toutes les configurations expérimentales. L’analyse a révélé une relation non linéaire caractérisée par des rendements décroissants, indiquant spécifiquement que les gains d’efficacité dépassant un seuil de 3,5 unités entraînaient des compromis disproportionnés du confort de l’utilisateur.
    8. Intégrer le cadre GMM-HMM pour l’identification des états : En s’appuyant sur des méthodologies utilisées pour améliorer la reconnaissance de l’activité humaine sur les accéléromètresde smartphone 41, implémenter un modèle de Markov caché (HMM) avec des modèles d’émission à mélange gaussienne (K=3 composants par état) pour décoder les séquences de caractéristiques temporelles (μ s, μp, σs,σ p de fenêtres de 10 échantillons) à cinq états opérationnels (échauffement, état stationnaire, haute intensité, récupération, fatigue). Paramètres de train utilisant l’algorithme de Baum-Welch sur 70 % des données étiquetées (n=28 sessions, 196 segments), atteignant une précision de classification de 87,3 % sur l’ensemble de validation. Le système utilisait uniquement des probabilités de transition d’état vers l’avant (auto-transition ≥ 0,7) pour anticiper les changements futurs d’état et ajuster les paramètres de contrôle de manière proactive.
    9. Conclure que le modèle GPR démontre des performances supérieures pour l’optimisation des systèmes de production d’énergie humaine (R² = 0,681)42, fournissant à la fois une précision prédictive et une quantification de l’incertitude essentielles à une conception de contrôle robuste. Ce cadre établit une méthodologie fondamentale pour des systèmes intelligents de collecte d’énergie basés sur la fitness, avec les caractéristiques non linéaires et fluides du GPR s’alignant naturellement avec la biomécanique humaine tout en permettant des stratégies de contrôle conscientes des risques qui équilibrent la maximisation de l’efficacité avec le confort et la sécurité de l’utilisateur.

figure-protocol-6
Figure 5 : paysage d’optimisation GPR. Le paysage montre des répartitions d’efficacité sur 16 configurations tension-charge, ainsi que l’analyse de la frontière de Pareto pour l’efficacité et le confort. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

4. Méthodologie de régression des processus gaussiens pour le HPEG

  1. Cadre théorique et construction du modèle
    1. Définissez l’efficacité de conversion énergétique comme un procédé gaussen43
      figure-protocol-7
    2. Spécifier l’espace d’entrée à quatre dimensions x = [s,p,v,l]T : Le prétraitement des données impliquait des stratégies d’échelle distinctes pour des paramètres continus et discrets. Pour la vitesse de pédalage et la pression appliquée, effectuer une normalisation min-max afin d’éliminer l’écart d’échelle. Pour les paramètres de contrôle discrets, codez la tension de la batterie et la charge électrique afin de correspondre leurs configurations catégorielles sur une échelle numérique comparable.
    3. Adopter une fonction moyenne nulle m(x)=0 pour les44,45 précédents, en s’appuyant sur la structure de covariance pour capturer le paysage d’efficacité46.
    4. Sélectionnez le noyau ARD Squared Exponential (ARD-SE) par une évaluation empirique systématique comme montré dans la formule (2). Pour permettre la découverte automatique de l’importance des paramètres, définissez des échelles de longueur indépendantes (ld) pour chaque dimension d’entrée au sein de la structure du noyau. De plus, paramétrez le modèle avec une variance du signal (σ2f) pour régir l’amplitude des variations de fonction, ainsi qu’un terme de variance de bruit (σ2n) afin de tenir explicitement compte de l’incertitude de la mesure.
      figure-protocol-8
    5. Optimiser le vecteur hyperparamètre θ = (σf, l₁, l₂, l₃, l₄, σn) via la maximisation de la vraisemblance marginale :
      figure-protocol-9
      où figure-protocol-10 I représente la matrice de covariance augmentée parbruit 47.
    6. Employer des méthodes basées sur le gradient utilisant des dérivées analytiques pour garantir l’efficacité de calcul tout en maintenant une stabilité numérique48. La complexité computationnelle est dimensionnée comme O(n³) pour l’entraînement (décomposition deCholesky de K y) et O(n²) par prédiction après factorisation en cache, nécessitant une initialisation de 47 ± 3 ms et 8,3 ± 2,1 ms d’inférence pour n=112 sur STM32F334. La convergence est obtenue en 15 ± 3 itérations (Δlogp < 10-4). Régulez le compromis polarité-variance à travers des échelles de longueur : des valeurs optimisées (l tension = 8,3,3,l charge = 15,2) équilibrent la flexibilité contre le sur-ajustement, tandis queσ n = 0,15 empêche l’adaptation au bruit du capteur. La validation croisée confirme l’incertitude calibrée avec 94,8 % des observations dans des intervalles de 2 à σ.
  2. Architecture d’optimisation multi-objectifs
    1. Développer une architecture GPR intégrée comprenant trois composants de modèle interconnectés pour optimiser simultanément l’efficacité de la productiond’énergie 49, la stabilité de l’exercice et le confort del’utilisateur 50,51.
    2. Calculer la distribution prédictive pour les nouveaux points d’entrée x* comme montré dans la formule (4). Pour chaque point d’évaluation, on dérive d’abord le vecteur de covariance k* par rapport aux données d’entraînement52. La distribution prédictive résultante fournit la moyenne a posteriori μ* comme estimation opérationnelleprimaire 53, aux côtés de la variance figure-protocol-11a posteriori. Utiliser explicitement cette dernière pour quantifier l’incertitude, permettant la mise en œuvre de stratégies de contrôle conscientes durisque 54.
      figure-protocol-12
    3. Augmenter l’espace des caractéristiques avec des caractéristiques temporelles pour la prédiction de l’état d’exercice comme montré dans la formule (5). Pour faciliter la distinction entre les phases d’exercice (échauffement, régime stable, haute intensité et récupération), traitez les données brutes afin d’extraire les indicateurs temporels clés. Plus précisément, calculez les moyennes mobiles fenêtres (μ s, μp) et les mesures locales de variabilité (σs, σp) à l’aide d’une fenêtre glissante de 10 échantillons pour caractériser les fluctuations du signal.
      figure-protocol-13
    4. Formulez une fonction composite multi-objectifs équilibrant des objectifs concurrents, comme montré dans la formule (6). La quantification des performances reposait sur une métrique de stabilité φstabilité(x) =1/(1 +std(Phumain(x))) et une métrique de confort basée sur l’évaluation rapide des membres supérieurs ψconfort(x). Ensuite, fixez les paramètres de pondération α,β,γ avec des contraintes α + β + γ = 1 et α,β,γ ≥ 0 pour permettre une adaptation flexible aux préférences individuelles de l’utilisateur.
      figure-protocol-14
    5. Identifier des solutions pareto-optimales représentant différents compromis entre efficacité de récolte d’énergie, stabilité de l’exercice et confort de l’utilisateur à l’aide d’algorithmes d’optimisation multi-objectifs efficaces adaptés aux modèles de substitution de procédésgaussiens 55.
  3. Stratégie de mise en œuvre et optimisation computationnelle
    1. Traiter les contraintes de calcul pour le contrôle en temps réel : latence de prédiction de la cible inférieure à 100 ms pour un contrôle en boucle fermée efficace (temps de réponse biomécanique humaine : 100 - 300 ms)56.
    2. Implémenter la mise en cache de la décomposition de Cholesky pour réduire la charge de calcul : Bien que l’initialisation du modèle nécessitait une décomposition de Cholesky O(n3), l’architecture du système était optimisée pour une inférence rapide. En mettant en cache les matrices de factorisation, on réduit le coût de calcul des opérations prédictives futures à une complexité linéaire-quadratique de O(n2). Réaliser des benchmarks sur un microcontrôleur STM32F334C8T6 (ARM Cortex-M4, 72 MHz, SRAM 64 KB, bare-metal) en utilisant m = 30 points d’induction, atteignant une latence moyenne de prédiction de 8,3 ± 2,1 ms mesurée via un minuteur matériel sur 100 cycles d’inférence.
    3. Appliquer une approximation parcimonieuse du processus gaussienne en utilisant des points d’induction pour de grands ensembles de données, comme montré dans la formule (7). Pour aborder la scalabilité computationnelle, on utilise une stratégie d’approximation parcinelle en sélectionnant un ensemble de m points inductifs (m ≪ n). Dans cette formulation, figure-protocol-15 représente l’inverse de la covariance entre les points d’induction, tandis que Λ capture l’incertitude approximative. Cette approche a réussi à réduire la complexité computationnelle de l’entraînement et de la prédiction à O(m 2).
      figure-protocol-16
    4. Employez la recherche par grille adaptative hiérarchique pour une identification optimale de configuration : commencez le protocole de recherche en évaluant l’efficacité prédite sur une grille grossière de 20 x 20 couvrant le domaine cinématique normalisé et des configurations électriques discrètes définies. Pour améliorer la précision des solutions, l’algorithme a ensuite affiné l’espace de recherche en déployant 5 x 5 grilles locales autour des optima locaux détectés lors du passage initial.
    5. Limitez l’espace de recherche aux régions physiologiquement réalisables. Établir des contraintes opérationnelles en calculant les 20e et 80e percentiles des données collectées auprès d’une cohorte d’utilisateurs diversifiée. Limiter les points opérationnels du système à cette fourchette inter-percentiles, maintenant ainsi l’intensité de l’exercice dans des limites empiriquementconfortables de 57.
    6. Mettre en œuvre une politique de contrôle consciente du risque qui ajuste automatiquement le comportement du système en fonction de la confiance du modèle, comme montré dans la formule (8). Employer un paramètre d’aversion au risqueλ > 0 pour réguler le comportementdu système 58. Des valeurs plus élevées derisque λ offrent des réponses conservatrices à l’incertitude, tandis que le cas spécifique derisque λ = 0 correspond à la maximisation standard de l’utilitéattendue 59.
      figure-protocol-17
  4. Cadre de validation et évaluation de la performance
    1. Effectuer une validation croisée stratifiée de 5 fois, spécialement conçue pour les données de facteurs humains. Effectuer le partitionnement des données afin de préserver l’intégrité de la distribution des covariables clés, en assurant spécifiquement une représentation équilibrée des données démographiques et des niveaux de fitness des utilisateurs à traversles folds 59. Cette stratification s’étendait aux conditions opérationnelles, assurant une exposition uniforme à différents états du système au cours de chaque cyclede validation 60.
    2. Mettre en œuvre des méthodes de référence pour l’évaluation comparative : La phase de modélisation a impliqué la mise en œuvre de quatre algorithmes distincts : GAM, LSBoost, SVR et Random Forest Regression61. Entraînez ces modèles simultanément pour établir des références de performance.
    3. Calculer les métriques de régression standard : L’évaluation quantitative s’est appuyée sur trois métriques principales : le coefficient de détermination (R²) pour mesurer l’explication de la variance, ainsi que l’erreur quadratique moyenne (MSE) et l’erreur absolue moyenne (MAE) pour estimer l’erreur de prédiction.
    4. Calculer des métriques probabilistes spécifiques au GPR : Calculer la densité prédictive logarithmique négative pour une évaluation probabiliste.
    5. Évaluer la performance computationnelle sur différentes échelles de problème. Pour évaluer la scalabilité computationnelle, mesurer la durée d’entraînement et l’empreinte mémoire sur des tailles croissantes de jeux de données. De plus, testez rigoureusement la latence de prédiction afin de garantir que le système atteint systématiquement l’objectif inférieur à 10 ms requis pour les applications de contrôleen temps réel 62.
    6. Benchmark sur les systèmes embarqués typiques des dispositifs de fitness portables pour garantir un déploiement pratique62,63.
    7. Intégrer des capacités d’apprentissage en ligne pour une adaptation continue du modèle : Le système utilise un mécanisme de mise à jour récursive pour intégrer en temps réel les données spécifiques à l’utilisateur entrantes, évitant ainsi ainsi le besoin d’un réentraînement exhaustif. Cette approche trouve un équilibre critique, préservant l’efficacité computationnelle tout en assurant un raffinement continu de la précision du modèle63.
    8. Vérifiez la réalisation des objectifs de conception. Validez les optimisations stratégiques pour maintenir des latences de prédiction inférieures à 10 ms sur les processeurs embarqués, garantissant ainsi une réactivité en temps réel. De plus, la recherche adaptative de la grille a permis d’identifier avec succès des configurations optimales maximisant l’efficacité de la génération d’énergie tout en respectant strictement les paramètres opérationnels physiologiquement sûrs et les contraintes de confort de l’utilisateur.
    9. Établir une méthodologie complète pour des systèmes intelligents de collecte d’énergie basés sur la forme physique qui intègrent de manière fluide la collecte d’énergie avec une activité physique bénéfique (Figure 6).

figure-protocol-18
Figure 6 : Méthodologie GPR en trois phases. Le diagramme détaille la construction du modèle, l’optimisation du noyau et l’architecture multi-objectif. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’efficacité fait référence à l’efficacité de conversion thermodynamique (0-100 %). REI fait référence à l’indice d’efficacité relative, calculé comme (observé/base) x 100 %, qui peut dépasser 100 %. Pour comparer des paramètres hétérogènes, un indice d’efficacité relative est utilisé, calculé en divisant l’efficacité observée par une configuration de base fixe (12 V-70 W), mesurée selon le même pipeline. Ainsi, REI = 110 % désigne un gain de 10 % par rapport à la ligne de base, et non u...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La mise en œuvre réussie de l’optimisation basée sur GPR pour les systèmes HPEG dépend de manière cruciale de la précision du couplage mécanique et de l’efficacitéde calcul 28. La configuration uniquement sur jante s’est avérée essentielle, car les ensembles complets de roues ont dégradé l’efficacité de suivi de 35 % à 45 % grâce à des variations d’inertierotationnelle 27. La calibration de la tension de courroie à 350 ± 50N est apparue car...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les auteurs déclarent qu’ils n’ont aucune affiliation ni implication dans aucune organisation ou entité ayant un intérêt financier dans le sujet ou les matériaux abordés dans ce manuscrit.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette recherche a été financée par le projet de financement de la recherche scientifique de la subvention numéro WU2024A001 de l’Université Westlake. Les auteurs remercient sincèrement les participants expérimentaux : Yuqi Jiang, Lili Zeng, Luoqian Emu, Bin Yang, Zihan Chen, Yuhang Li et Sukron Amin pour leurs précieuses contributions à la collecte des données.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Module de prise AC (GB/T chinois, type tableau)10/16 A, cassette intégrée, volets de protection de l’enfancePrise d’alimentation AC de bureau à cinq trous (noir) & nbsp ;Wanyu
Courroie en V en polyuréthane réglableCeinture PU articulée de type ABCZMCourroie en V universelle en polyuréthane articulée ABCZM (avec/sans montants) / &mdash ;
Clé à molette réglable6 pouces, échelle laserClé à molette réglable de 6 pouces à mâchoire ouverte, poignée polie 250006 & nbsp ;Ruineng
Alternateur, aimant permanent triphasé300 W, 24 V (comme indiqué)300&ndash ; Alternateur triphasé AC à aimant permanent de 400 W, 300 W 24 V  ;Jiunian
Pack batteries, centrale électrique portableUnité portable de grande capacité de 2400 WCentrale de secours portable de 2400 W, stockage solaire multifonction / &mdash ;
Chaîne de vélo1/2" et multipliés : 1/8", résistance à la traction de 920 kgf, limite d’allongement de 0,5 %KMC X101
Ordinateur à vélo (sans fil)Étanche, rétroéclairage nocturne, vitesse/compteur kilométriqueOrdinateur vélo sans fil à grand écran, étanche, rétroéclairage / &mdash ;
Entraînement de vélo (rouleau magnétique, pliant)Résistance magnétique, volant moteur ventilé, boutons à double verrouillageEntraînement à rouleaux magnétiques, pliable / & mdash ;
Vélo, route (700°C)Jantes 700C, engrenages700C Aero Road Bicycle, multi-vitesses & nbsp ;Pour toujours, Yongjiu
Contrôleur de charge, MPPT (12/24 V)Auto 12/24 V, 20 A (comme indiqué)Contrôleur de charge solaire MPPT 12/24 V 20 A  ;Lansheng
Capteur de courant, effet Hall± ; 100A, 20mV/A et plusmn ; 0,5 %, BW=120kHzACS758LCB-100B
Diode (blocage) & mdash ; Vérifier l’appareil exactListe des mélanges Schottky diode / TRIAC bidirectionnel / IXFN132N50P3IXFN132N50P3 (liste des revendications diode Schottky & TRIAC bidirectionnel) / &mdash ;
Diode, récupération ultrarapide200V V_RRM, 30A I_F(AV), < 35 ns t_rrRHRG30120
Ruban isolant (PVC)Rouleau de 9 mRuban isolant ET6 9 m  ;Bull
Charge électronique, programmable200W continu, 0--500V, 0--120ABK Precision 8500
Microcontrôleur, 32 bitsARM Cortex-M4, 72 MHz, ADC@5MSPS 12 bitsSTM32F334C8T6
MOSFET, canal PRDS(ON)< 10m&Omega ;, 200V, -12AIRFP9240
Multimètre, numériqueRétroéclairé, protégé contre la surchargeMultimètre numérique DEM23, rétroéclairé, anti-brûlure et nbsp ;Delixi
Multimètre, précision6,5 chiffres, précision DCV de 0,0035 %Fluke 8845ACoup de chance
Amplificateur opérationnel, quadRail-to-rail, Vos< GBW 2mV, 1 MHzMCP6004
Générateur à aimant permanent24V/300W, 12 polos, aimants NdFeB N42YC-FD300
Disjoncteur réinitialisable (push-to-reset)3&ndash ; Série 50 A (telle que listée)Disjoncteur thermique réinitialisé série 88/98/AR 3&ndash ; 50 A  ;Kuoyuh
Ensemble de tournevis (Phillips/plat)6 et fois ; 100 mm, embouts magnétiques, en deux piècesEnsemble de tournevis plats magnétiques 6 x 100 mm (2 pièces) & nbsp ;Phillips
Logiciel, langage de programmationVersion 3.8, avec cadre GUIPython
Bloc terminaux, monoposition (DIN/tableau)IN-100BK, classe 130 A (comme indiqué dans la liste)Bloc terminal DIN rail IN-100BK, position unique & nbsp ;WeilianDun
Bloc terminaux, monoposition (DIN/tableau)IN-411S, 60 Classe A (comme mentionné)Bloc terminal DIN - IN-411S, position unique & nbsp ;WeilianDun
Leviers de pneus (paire)12 pouces (30 cm), 2 piècesLeviers de pneus 12 pouces (paire) & nbsp ;Chengzhou
Diode TVSSerrage 135V, 1500W en crête, < Réponse 1ps1.5KE100A
Connecteurs fils, sertissage rapide (bullet)1.5&ndash ; 2,5 mm², nylon, bleu, 100 ensemblesConnecteurs fils à déconnexion rapide en bullet, bleus (100 ensembles) & nbsp ;Gotoele
Décape/sertisseur à fils7 pouces, multifonctionDécapeuse multifonction de 7 pouces DL902200  ;Épicerie
Fil, silicone (12 AWG &asymp ; 3,4 mm² ;)Isolation en silicone haute température, 1 mFil en silicone 12 AWG (&asymp ; 3,4 mm² ;) 1 m  ;Lanjiang

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Nartey, J. AI job displacement analysis (2025-2030). 5316265, SSRN. (2025).
  2. Kozhagulov, S., et al. Trends in atmospheric emissions in central asian countries since 1990 in the context of regional development. Climate. 13 (9), 176(2025).
  3. Ding, Q., Li, R., Liu, Q., Cui, W. Human-powered electricity generation: Current technologies, challenges, and potential application in sustainable society construction. Energy Convers Manag X. 101239, (2025).
  4. Sovacool, B. K., et al. Equity, technological innovation and sustainable behaviour in a low-carbon future. Nat Hum Behav. 6 (3), 326-337 (2022).
  5. Halmich, C., et al. Data augmentation of time-series data in human movement biomechanics: A scoping review. PLoS One. 20 (7), e0327038(2025).
  6. Hafizha, M. I., Baizal, Z. Diet and physical exercise recommendation system using a combination of k-means and random forest. Indones J Comput. 9 (2), 83-96 (2024).
  7. Wiedenhofer, D., et al. The circular economy and climate change: The state of national and global evidence on mitigation potential. Annu Rev Environ Resour. 50, 1-28 (2025).
  8. Khalin, A., Lalande, J. F., Bourdais, R. Detecting Energy Theft Attacks on an Off-Grid Charging Station. Proceedings of the 16th ACM international conference on future and sustainable energy systems, , ACM. (2025).
  9. Albar, J., et al. ReRev. , Available from: https://www.rerrev.com/ (2024).
  10. De Sa, A., et al. L'expérience vélo & énergie. , Available from: https://univ-angers.matomo.cloud/ (2024).
  11. Tu, X., et al. 3.5 MWh of electricity generated by gym members. , Available from: https://www.energylivelook.com/view/22462.html (2022).
  12. Jiang, D., et al. Harvesting human-motion energy through a piezoelectric floor tile with a force amplification mechanism. Energy. 188, 116-130 (2019).
  13. Normile, D. Study finds gyms are only good for one kind of energy: Human. Science. , Available from: https://www.science.org/content/article/study-finds-gyms-are-only-good-one-kind-energy-human (2016).
  14. Panteli, M., De Marco, F. Power system resilience to extreme weather: Fragility modeling, probabilistic impact assessment, and adaptation measures. IEEE Trans Power Syst. 38 (3), 2667-2680 (2022).
  15. Moska, W., Łebkowski, A. Microgeneration of electricity in gyms. Manag Prod Eng Rev. 7 (4), 58-63 (2016).
  16. Liu, Z., et al. Wearable and implantable triboelectric nanogenerators. Adv Funct Mater. 29 (20), 1808820(2019).
  17. Berkenkamp, F., Schoellig, A. P., Krause, A. Safe controller optimization for quadrotors with Gaussian processes. IEEE international conference on robotics and automation (ICRA), , 491-496 (2016).
  18. Rahmawan, A. M., et al. Video extraction into PPG signal to identify blood pressure with XGBoost method. Indones J Comput. 9 (2), 72-81 (2024).
  19. Shahriari, B., et al. Taking the human out of the loop: A review of bayesian optimization. Proc IEEE, 104 (1), 148-175 (2015).
  20. Prakoso, D., Nuha, H. H., Utomo, R. G. Energy efficiency analysis of network slicing algorithm on WiFi network. Indones Bayesian J Comput. 7 (2), 25-34 (2022).
  21. World energy outlook 2022. , International Energy Agency. Paris, France. (2022).
  22. Yeboah, D., Annor, B. D. Synergyfit energy recovery framework for human-centric power generation in multi-modal fitness environments. Sci Rep. 15 (1), 37451(2025).
  23. Marbaix, P., et al. Climate change risks illustrated by the intergovernmental panel on climate change "burning embers". Earth Syst Sci Data. 17 (1), 317-349 (2025).
  24. Li, J., et al. Body-area powering with human body-coupled power transmission and energy harvesting ICs. IEEE Trans Biomed Circuits Syst. 14 (6), 1263-1273 (2020).
  25. Portilla, L., et al. Wirelessly powered large-area electronics for the internet of things. Nat Electron. 6 (1), 10-17 (2023).
  26. Han, C. G., et al. Giant thermopower of ionic gelatin near room temperature. Science. 368 (6495), 1091-1098 (2020).
  27. Zou, Y., Raveendran, V., Chen, J. Wearable triboelectric nanogenerators for biomechanical energy harvesting. Nano Energy. 77, 105303(2020).
  28. Maharjan, P., et al. High performance cycloid inspired wearable electromagnetic energy harvester for scavenging human motion energy. Appl Energy. 256, 113987(2019).
  29. Wang, Z. L. Triboelectric nanogenerators as new energy technology and self-powered sensors-principles, problems and perspectives. Faraday Discuss. 176, 447-458 (2014).
  30. Sharma, R., et al. Nanoscale spin rectifiers for harvesting ambient radiofrequency energy. Nat Electron. 7 (8), 653-661 (2024).
  31. Duan, P., et al. Moisture-based green energy harvesting over 600 hours via photocatalysis-enhanced hydrovoltaic effect. Nat Commun. 16 (1), 239(2025).
  32. Siddique, M. A. B., et al. Performance validation of global MPPT for efficient power extraction through PV system under complex partial shading effects. Sci Rep. 15 (1), 17061(2025).
  33. Tang, Z., Yang, Y., Blaabjerg, F. Power electronics: The enabling technology for renewable energy integration. CSEE J Power Energy Syst. 8 (1), 39-52 (2021).
  34. Vinuesa, R., Brunton, S. L. The potential of machine learning to enhance computational fluid dynamics. arXiv. arXiv:2110.02085, (2021).
  35. Khalid, S., et al. A review of human-powered energy harvesting for smart electronics: Recent progress and challenges. Int J Precis Eng Manuf Green Technol. 6 (4), 821-851 (2019).
  36. Qinghe, Z., et al. Optimised extreme gradient boosting model for short term electric load demand forecasting of regional grid system. Sci Rep. 12 (1), 19282(2022).
  37. Ramadhan, N. G., Putrada, A. G. XGBoost for predicting airline customer satisfaction based on computational efficient questionnaire. Int J Inf Commun Technol. 9 (2), 120-136 (2023).
  38. Khamma, T. R., et al. Generalized additive models: An efficient method for short-term energy prediction in office buildings. Energy. 213, 118834(2020).
  39. Muqtadir, A., et al. Nowcasting the next hour of residential load using boosting ensemble machines. Sci Rep. 15 (1), 7157(2025).
  40. Gioia, D. G., et al. Data-driven control of a pendulum wave energy converter: A gaussian process regression approach. Ocean Eng. 253, 111191(2022).
  41. Putrada, A. G., et al. Human activity recognition improvement on smartphone accelerometers using CIMA. Tektrika. 8 (2), 75-83 (2023).
  42. Yao, Z., et al. Machine learning for a sustainable energy future. Nat Rev Mater. 8 (3), 202-215 (2023).
  43. Deringer, V. L., et al. Gaussian process regression for materials and molecules. Chem Rev. 121 (16), 10073-10141 (2021).
  44. Williams, C. K. I., Rasmussen, C. E. Gaussian processes for machine learning. , MIT Press. Cambridge, MA. (2006).
  45. Najibi, F., et al. Enhanced performance gaussian process regression for probabilistic short-term solar output forecast. Int J Electr Power Energy Syst. 130, 106916(2021).
  46. Lubbe, F., Maritz, J., Harms, T. Evaluating the potential of gaussian process regression for solar radiation forecasting: A case study. Energies. 13 (20), 5509(2020).
  47. Stein, M. L. Interpolation of spatial data: Some theory for kriging. , Springer. New York, NY. (1999).
  48. Feng, Y., et al. Data-driven personal thermal comfort prediction: A literature review. Renew Sustain Energy Rev. 161, 112357(2022).
  49. Zhang, X., et al. Multi-task learning for intention and trajectory prediction in human-robot collaborative disassembly tasks. J Comput Inf Sci Eng. 25 (5), 051002(2025).
  50. Zahedi, F., Lee, H. Biomechanics-based user-adaptive variable impedance control for enhanced physical human-robot interaction using Bayesian optimization. Adv Intell Syst. 7 (2), 2400333(2025).
  51. Belli, I., et al. Biomechanics-aware trajectory optimization for navigation during robotic physiotherapy. arXiv. arXiv:2411.03873, (2024).
  52. Berkenkamp, F., et al. Bayesian optimization with safety constraints: Safe and automatic parameter tuning in robotics. Mach Learn. 112 (10), 3713-3747 (2023).
  53. Halilaj, E., et al. Machine learning in human movement biomechanics: Best practices, common pitfalls, and new opportunities. J Biomech. 81, 1-11 (2018).
  54. Aydin, Y., et al. A computational multicriteria optimization approach to controller design for physical human-robot interaction. IEEE Trans Robot. 36 (6), 1791-1804 (2020).
  55. McClenny, L. D., Braga-Neto, U. M. Self-adaptive physics-informed neural networks. J Comput Phys. 474, 111722(2023).
  56. Shan, G. Applied biomechanics. , MDPI. Basel, Switzerland. (2024).
  57. Burt, D. R., et al. Convergence of sparse variational inference in gaussian processes regression. J Mach Learn Res. 21 (131), 1-63 (2020).
  58. Ozemek, C., et al. ACSM's guidelines for exercise testing and prescription. , Lippincott Williams & Wilkins. Philadelphia, PA. (2025).
  59. Garnett, R. Bayesian optimization. , Cambridge University Press. Cambridge, UK. (2023).
  60. Jordan, A., Krüger, F., Lerch, S. Evaluating probabilistic forecasts with scoring rules. J Stat Softw. 90, 1-37 (2019).
  61. Huang, Y., et al. A novel prediction approach for short-term renewable energy consumption in China based on improved Gaussian process regression. Energies. 12 (21), 4181(2019).
  62. Ding, T., et al. Resource-efficient cooperative online scalar field mapping via distributed sparse gaussian process regression. IEEE Robot Autom Lett. 9 (3), 2295-2302 (2024).
  63. Sun, Y., Zhang, C. Efficient and safe robotic autonomous environment exploration using integrated frontier detection and multiple path evaluation. Remote Sens. 13 (23), 4881(2021).
  64. Firouzi, V., et al. Biomechanical models in the lower-limb exoskeletons development: A review. J Neuroeng Rehabil. 22 (1), 12(2025).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Optimisation de la g n ration d nergieg n rateur de v lo stationnaireacquisition de donn es en temps r elefficacit du p dalagetests de charge lectriquecapteurs effet Halljauges de contraintesyst mes d nergie renouvelable
Vidéo bientôt disponible

Articles connexes