Otimização dos parâmetros do modelo do diodo Schottky usando aprendizado por reforço para aplicações em retificadores de RF.
Os sistemas de colheita de energia de radiofrequência (RFEH) representam uma avançada
tecnologia para converter a radiação eletromagnética em energia elétrica, especialmente
relevante para a Internet das Coisas (IoT). Apesar de sua importância, há uma lacuna na
otimização do componente de retificação, o diodo retificador, essencial para a eficiência
energética dos dispositivos. Este estudo propõe explorar e otimizar o diodo retificador em
sistemas RFEH, usando aprendizado por reforço para generalizar seu comportamento e
otimizar seus parâmetros. O modelo visa a melhorar a eficiência de conversão de energia
RF em DC, contribuindo para o desenvolvimento de sistemas RFEH mais eficientes e
sustentáveis. O trabalho iniciou-se com a análise de um modelo de circuito do diodo,
seguido pelo desenvolvimento de um ambiente de simulação. A metodologia de aprendizado
por reforço, especialmente o Advantage Actor-Critic (A2C), foi adotada para otimizar os
parâmetros do diodo. O estudo também avaliou a generalização do modelo de aprendizagem
por reforço e comparou a eficiência do diodo proposto com diodos comerciais, investigando
a influência dos parâmetros na eficiência do circuito. Essa pesquisa visa preencher a lacuna
na otimização dos componentes de retificação em sistemas RFEH, crucial para a eficiência
dos dispositivos IoT alimentados por essa tecnologia.