Piezoelectric sensors fabricated by depositing solution-grown ZnO nanorods on flexible graphene-derivative electrodes
Notice bibliographique
Résumé
Abstract Zinc oxide nanorods (ZnO-NRs) with high-aspect ratios can significantly enhance the voltage output of mechanically flexible piezoelectric materials. A versatile chemical synthesis process for growing long narrow ZnO-NR from nanoparticle (NP) seeds by regulating the polarity of reaction solvents is introduced in this paper. The efficient nanorod (NR) growth method produces large quantities of high-aspect ratio ZnO-NRs in the reaction solvent. For ultra-small NP seeds (AVG 10.54 nm, SD 3.69), the synthesis process creates NRs with a minimal lateral growth (AVG 13.92 nm, SD 4.77) and significant longitudinal growth (AVG 150.85 nm, SD 64.93). The average aspect ratio of ZnO-NRs in the solution is ∼10.8 (SD 2.48). Once synthesized, the ZnO-NRs are mixed with polydimethylsiloxane (PDMS) to create a thin flexible piezoelectric layer/film. The composite polymer material is spin coated on an inkjet printed graphene/carboxymethyl cellulose (G-CMC) interdigitated electrode (IDE) to form the piezoelectric layer. A dielectrophoretic alignment technique is then used to reposition the NR orientations in the composite prior to final polymer curing. In this study, three different piezoelectric composites are investigated and compared: polyhedral NPs (ZnO-NP/PDMS), non-aligned nanorods (ZnO-NR NA /PDMS), and aligned nanorods (ZnO-NR A /PDMS). Each composite is deposited on a similar IDE and tested for impact loading and low frequency mechanical bending. Under bending, the NP ZnO-NP/PDMS sensor generated 3–4 mV while the non-aligned NR ZnO-NR NA /PDMS sensor produced 70–80 mV. In contrast, the horizontally aligned NR ZnO-NR A /PDMS sensor generated 150–170 mV under the same bending conditions.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».