MétaCan
Menu
Retour à la cohorte
Enregistrement W2792849044 · doi:10.1109/lsens.2018.2806301

Poling Process of Composite Piezoelectric Sensors for Structural Health Monitoring: A Pilot Comparative Study

2018· article· en· W2792849044 sur OpenAlexaff
Hamidreza Hoshyarmanesh, Yaser Maddahi

Notice bibliographique

RevueIEEE Sensors Letters · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésPolingMaterials sciencePiezoelectricityFerroelectricityComposite materialPiezoelectric coefficientWaferElectric fieldSmart materialAnnealing (glass)OptoelectronicsDielectric

Résumé

récupéré en direct d'OpenAlex

Piezoelectric transducers are widely used as sensors and actuators, benefiting from their well-known smart asset of energy conversion. Synthesized piezoelectric materials, including thin/thick films and stacked wafers, are subject to a process, called poling, before implementation. The poling process significantly helps to resuscitate or enhance the piezoelectric properties of a deteriorated semi-isotropic structure by activating/energizing the dipoles. The poling process consists of exposing the piezoelectric films/wafers to high electric field to apply external energy to the granular structures and, thus, enhance the piezoelectric response. This article reports the results obtained during the poling process of composite piezoelectric films with different sizes and thicknesses, which are deposited on the curved surface of superalloy blades in order to conduct structural health monitoring. This article also studies effects of parameters such as poling temperature, applied electric field, polarizing time, porosity, and film size on electric, ferroelectric, and piezoelectric properties of different specimens. Experiments are conducted by controlling annealing time, temperature, and, thus, grain size, while nitrogen gas is blown into the tube furnace at the time the samples are thermally treated after deposition.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,358
Écart entre enseignants0,308 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations27
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors LettersMême sujetStructural Health Monitoring TechniquesTravaux en français237 207