MétaCan
Menu
Retour à la cohorte
Enregistrement W2916131850 · doi:10.1002/adfm.201807693

Highly Efficient Mechanoelectrical Energy Conversion Based on the Near‐Tip Stress Field of an Antifracture Slit Observed in Scorpions

2019· article· en· W2916131850 sur OpenAlexaff
Kejun Wang, Junqiu Zhang, Honglie Song, Yuqiang Fang, Xiaolong Wang, Daobing Chen, Linpeng Liu, Shichao Niu, Zhongwen Yao, Zhiwu Han, Luquan Ren

Notice bibliographique

RevueAdvanced Functional Materials · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensQueen's University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésMaterials scienceMicrosystemMechanoreceptorMechanical energySlitEnergy harvestingAcousticsBiomedical engineeringEnergy (signal processing)NanotechnologyOpticsEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract In the field of engineering, a crack, inducing enormous mechanical energy concentration at a tip, is considered a typical kind of defect. However, it is found that, to maximize the sensitivity of slit‐based mechanoreceptors, the near‐tip stress field of “risky” crack‐shaped slits is ingeniously used by scorpions to precisely detect the cyclic loads acting on walking legs without the crack nucleation from the flaw‐like tip. As a sophisticated biological mechanoelectrical transducing microsystem, the mechanoreceptor can effectively collect mechanical energy contained in the mechanical signal through antifracture slit allays and then convert the mechanical energy into electrical energy through mechanosensory neuron. The highly efficient mechanoelectrical energy conversion mechanism is theoretically analyzed and experimentally verified in a bioinspired artificial mechanoreceptor. The results demonstrate the potential of basic “design” principles, underlying the slit‐dependent mechanoreceptor, for maximizing the electromechanical conversion efficiency of the industrial mechanoelectrical transducing microsystem such as nanogenerators, ultrasensitive mechanical sensors, self‐powered portable, and wearable electronics.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,461
Score d'incertitude au seuil0,791

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)0,0010,000

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 Opus0,011
Tête enseignante GPT0,203
Écart entre enseignants0,192 · 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

Citations38
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced Functional MaterialsMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207