A Comprehensive Review on Piezoelectric Polymeric and Ceramic Nanogenerators
Notice bibliographique
Résumé
Piezoelectric nanogenerators (PNGs) have recently received significant attention because of their great potential for harvesting electricity from wasted mechanical energy resources. In spite of many studies on piezoelectric energy harvesters, a comprehensive review that summarizes alternative types of piezoelectric materials is yet to be reported. This article categorizes piezoelectric materials into two types: piezoelectric perovskite and wurtzite micro‐/nanostructures ceramics and ferroelectric polymers and compares their energy harvesting capabilities and piezoelectric properties. Piezoelectric inorganic materials with a perovskite structure, such as lead magnesium niobate−lead titanate (PMN−PT, d33 = 2500 pCN−1) and lead zirconate titanate, d33 = 500–600 pCN−1) PNGs, generate the highest output voltage and current density among all piezoelectric materials. However, the piezoelectric coefficient d31 (−28 to ≈−69 pC N−1) of PMN−PT is lower than PZT (−175 pC N−1) and its toxicity and expensive fabrication process have limited its utilization. Cellular polypropylene (PP) as a ferroelectret polymer offers a high piezoelectric coefficient d33 (250−1400 pC N−1), although their d31 is lower than piezoelectric poly(vinylidene fluoride) (PVDF) polymer. Piezoelectric natural polymers such as cellulose (d33 ≈ 8−28 pC/N, silk (d33 ≈ 0.3−0.8 pC/N, and collagen (d33 ≈ 22 pC/N are also introduced for bio‐PNG applications to tackle environmental problems. There is still a research gap on rationally designed self‐powered, wearable, stretchable, and biocompatible PNGs with high and controllable energy conversion efficiency.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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 ».