Preparation of Hemicellulose Nanoparticle-Containing Ionic Hydrogels with High Strength, Self-Healing, and UV Resistance and Their Applications as Strain Sensors and Asymmetric Pressure Sensors
Notice bibliographique
Résumé
Smart functional fillers can significantly enhance the comprehensive properties of ionic hydrogels, such as their mechanical properties, which are key features of hydrogels in wearable sensor applications. As a plant-derived natural polymer, hemicellulose can serve as smart functional fillers. In this study, tannic acid-modified hemicellulose nanoparticles (TA@HC) and Fe3+ were used in the preparation of PAA/TA@HC/Fe3+ hydrogels. The addition of TA@HC and Fe3+ in the sodium persulfate (SPS) and acrylic acid (AA) polymerization system resulted in a fast gelation process that was completed within a short time (as short as 30 s) at room temperature. The catechol-rich TA and Fe3+ system allows for quick activation of SPS to produce free radicals, generating abundant hydroxyl groups in a short period of time, which was responsible for the fast gelation. Furthermore, due to the TA@HC effect and the dynamic catechol (TA)-Fe3+ redox system, the PAA/TA@HC/Fe3+ hydrogel exhibited excellent mechanical properties with an exceptionally high strain (as high as 5600%), adhesiveness, rapid and efficient self-healing ability, and reproducible self-adhesion onto various substrates. More importantly, asymmetric adhesive PAA/TA@HC/Fe3+ hydrogels were prepared by selective Fe3+ coating of the upper hydrogel surface to render the top surface nonadhesive so that the same hydrogel with different adhesiveness between the upper and bottom surfaces was obtained. The asymmetric adhesive hydrogel design permits the adhesive side to fit comfortably to the skin and the nonadhesive side showing anti-interference against various different pollutant materials, accurately serving as a pressure sensor.
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 | 0,000 |
| 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) | 0,000 | 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 ».