MétaCan
Menu
Retour à la cohorte
Enregistrement W2990510362 · doi:10.1126/sciadv.aay0855

Monolithic shape-programmable dielectric liquid crystal elastomer actuators

2019· article· en· W2990510362 sur OpenAlexfundno aff
Zoey S. Davidson, Hamed Shahsavan, Amirreza Aghakhani, Lindsey Hines, Yu Xia, Shu Yang, Metin Sitti

Notice bibliographique

RevueScience Advances · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Materials and Mechanics
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAlexander von Humboldt-StiftungNational Science Foundation
Mots-clésSoft roboticsElastomerActuatorLiquid crystalMaterials scienceMiniaturizationRoboticsRobotComputer scienceAnisotropyDielectric elastomersArtificial muscleMechanical engineeringNanotechnologyArtificial intelligenceOptoelectronicsComposite materialOpticsEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Soft robotics may enable many new technologies in which humans and robots physically interact, yet the necessary high-performance soft actuators still do not exist. The optimal soft actuators need to be fast and forceful and have programmable shape changes. Furthermore, they should be energy efficient for untethered applications and easy to fabricate. Here, we combine desirable characteristics from two distinct active material systems: fast and highly efficient actuation from dielectric elastomers and directed shape programmability from liquid crystal elastomers. Via a top-down photoalignment method, we program molecular alignment and localized giant elastic anisotropy into the liquid crystal elastomers. The linearly actuated liquid crystal elastomer monoliths achieve strain rates over 120% per second with an energy conversion efficiency of 20% while moving loads over 700 times the elastomer weight. The electric actuation mechanism offers unprecedented opportunities toward miniaturization with shape programmability, efficiency, and more degrees of freedom for applications in soft robotics and beyond.

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: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

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 Opus0,005
Tête enseignante GPT0,226
Écart entre enseignants0,221 · 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

Citations213
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetAdvanced Materials and MechanicsTravaux en français237 207