Optimization of geometric characteristics to improve sensing performance of MEMS piezoresistive strain sensors
Notice bibliographique
Résumé
In this paper, the design of MEMS piezoresistive strain sensor is described. ANSYS®, finite element analysis (FEA) software, was used as a tool to model the performance of the silicon-based sensor. The incorporation of stress concentration regions (SCRs), to localize stresses, was explored in detail. This methodology employs the structural design of the sensor silicon carrier. Therefore, the induced strain in the sensing chip yielded stress concentration in the vicinity of the SCRs. Hence, this concept was proved to enhance the sensor sensitivity. Another advantage of the SCRs is to reduce the sensor transverse gauge factor, which offered a great opportunity to develop a MEMS sensor with minimal cross sensitivity. Two basic SCR designs were studied. The depth of the SCRs was also investigated. Moreover, FEA simulation is utilized to investigate the effect of the sensing element depth on the sensor sensitivity. Simulation results showed that the sensor sensitivity is independent of the piezoresistors' depth. The microfabrication process flow was introduced to prototype the different sensor designs. The experiments covered operating temperature range from −50 °C to +50 °C. Finally, packaging scheme and bonding adhesive selection were discussed. The experimental results showed good agreement with the FEA simulation results. The findings of this study confirmed the feasibility of introducing SCRs in the sensor silicon carrier to improve the sensor sensitivity while using relatively high doping levels (5 × 1019 atoms cm−3). The fabricated sensors have a gauge factor about three to four times higher compared to conventional thin-foil strain gauges.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».