Improving the performance of lead-free piezoelectric composites by using polycrystalline inclusions and tuning the dielectric matrix environment
Notice bibliographique
Résumé
Abstract Piezoelectric composites are a class of smart materials which can be manufactured in a scalable manner by additive processes, while catering to a wide range of applications. Recent efforts are directed towards composites of lead-free piezoelectric materials with a goal of achieving performances comparable to lead-based composites. While there has been extensive research in fabrication methodologies such as 3D printing, which can manufacture complex piezoelectric structures in a scalable manner, there are important remaining questions as to how the performance of lead-free piezoelectric composites can be further improved. Fundamental to this is the understanding of key factors underlying piezoelectric performance: the electro-elastic interactions between the piezoelectric material and the matrix, the effects of the polycrystalline microstructure of the piezoelectric inclusions, the effect of randomly shaped polycrystalline fillers, and the effect of the volume fraction of the piezoelectric material in the matrix. A strong motivation for using polycrystalline fillers is that they can exhibit enhanced piezoelectric and mechanical properties compared to single crystalline materials. Moreover, polycrystalline materials are amenable to scalable manufacturing. We computationally investigate these important aspects of piezoelectric composite design and performance by taking into account for the first time the polycrystalline nature of lead-free piezoelectric inclusions, in the context of a matrix-inclusion composite. We achieve this by dispersing randomly shaped polycrystalline inclusions at random positions in the matrix which allows us to better understand the behavior of practical composite architectures. In such cases, our analysis reveals that although polycrystalline piezoelectric materials, in isolation, can outperform their single crystal counterparts, in a composite architecture these enhancements are not straightforward. We identify the sources of loss which prevent polycrystalline inclusions from enhancing the performance of the composites. By tuning the dielectric environment in the matrix through the inclusion of metallic nanoparticles, we demonstrate how the performance of the composites can be further significantly improved. Specifically, when the metal nanoparticles are near the percolation threshold, we show that polycrystalline piezoelectric inclusions perform better than single crystals, with an improvement of around 14.6% in the effective piezoelectric response. We conclude that such novel architectures, devised by a combination of polycrystalline piezoelectric inclusions in a high permittivity environment, can improve the performance of the composites beyond the single crystal design and thus offer a promising direction for 3D printable lead-free piezoelectric composites.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».