MétaCan
Menu
Retour à la cohorte
Enregistrement W2807015393 · doi:10.1088/1361-665x/aac134

Frequency domain analysis of droplet-based electrostatic transducers

2018· article· en· W2807015393 sur OpenAlexfundno aff
Graham Allegretto, Yuta Dobashi, Katelyn Dixon, Justin Wyss, Dickson R. Yao, John D. W. Madden

Notice bibliographique

RevueSmart Materials and Structures · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueElectrowetting and Microfluidic Technologies
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésFrequency domainAcousticsTransducerMaterials scienceDomain (mathematical analysis)Computer sciencePhysicsMathematicsMathematical analysis

Résumé

récupéré en direct d'OpenAlex

Abstract Squeezing a water droplet between two electrodes can generate a potential difference by converting some of the mechanical energy in vibrations into electrical energy. By utilizing the high capacitance inherent to electric double layers, and the surface charging at a polymer/water interface, we demonstrate a sensor that generates up to 892 mV peak-to-peak between 1 and 100 Hz, in response to a 250 μ m deformation. This frequency response is described and explained using a linearized model in which the interfacial charge acts as the priming voltage, removing the need for external charging normally required in capacitive generators. The model suggests how to design the cell for maximum power output and provides an intuitive understanding of the high pass nature of the sensor. It successfully predicts the point of maximum power transfer.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,013
Score d'incertitude au seuil0,422

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0000,000

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 Opus0,004
Tête enseignante GPT0,200
Écart entre enseignants0,196 · 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 tête enseignante, 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

Citations5
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSmart Materials and StructuresMême sujetElectrowetting and Microfluidic TechnologiesTravaux en français237 207