MétaCan
Menu
Retour à la cohorte
Enregistrement W2943118961 · doi:10.1002/adom.201900262

Shining Light on Liquid Crystal Polymer Networks: Preparing, Reconfiguring, and Driving Soft Actuators

2019· article· en· W2943118961 sur OpenAlexafffund
Zhi‐Chao Jiang, Yao‐Yu Xiao, Yue Zhao

Notice bibliographique

RevueAdvanced Optical Materials · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Materials and Mechanics
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of CanadaChina Scholarship Council
Mots-clésMaterials scienceSoft roboticsActuatorLiquid crystalControl reconfigurationOptoelectronicsNanotechnologyComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract Soft actuators based on liquid crystal polymer networks (LCNs) have emerged as an exciting research topic due to many envisioned applications in areas such as soft robotics and self‐regulating devices. The infatuation stems from the amazing ability of LCNs to display reversible, large amplitude, and complex shape change as well as locomotion upon a stimuli‐triggered phase transition of mesogens between ordered liquid crystal and disordered isotropic state. Among the various stimuli, light arguably is the most attractive choice. Light can easily be adjusted for its wavelength, intensity, or polarization, structured by means of photomasks or interference patterns, and applied to a target remotely and with high spatiotemporal resolution. Indeed, much research effort is dedicated to LCN actuators that are designed to respond to light in many ways, with light being used not only as an external energy source to drive the shape changes or motion of LCN actuators, but also as a versatile tool in their fabrication and reconfiguration. In this Review, recent achievements are highlighted, a number of important issues are discussed, and critical analysis on the use of light in making, reconfiguring, and driving LCN actuators is provided.

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)0,000
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: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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 Opus0,004
Tête enseignante GPT0,202
Écart entre enseignants0,199 · 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

Citations94
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced Optical MaterialsMême sujetAdvanced Materials and MechanicsTravaux en français237 207