MétaCan
Menu
Retour à la cohorte
Enregistrement W4293092235 · doi:10.1039/d2sm00690a

Real time high voltage capacitance for rapid evaluation of dielectric elastomer actuators

2022· article· en· W4293092235 sur OpenAlexafffund
Ang Li, Siyoung Lee, Haleh Shahsa, Mihai Duduta

Notice bibliographique

RevueSoft Matter · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaKorea FoundationCanada Foundation for Innovation
Mots-clésCapacitanceActuatorMaterials scienceVoltageComputer scienceDielectricDielectric elastomersElastomerElectric potential energyEnergy harvestingTransducerWearable computerBandwidth (computing)Energy (signal processing)Electrical engineeringOptoelectronicsEmbedded systemEngineeringElectrode

Résumé

récupéré en direct d'OpenAlex

Dielectric elastomer actuators (DEAs) are soft electromechanical transducers that have enabled robotic, haptic, and optical applications. Despite their advantages in high specific energy, large bandwidth, and simple fabrication, their widespread adoption is limited by poor long-term performance. While the mechanical work output has been studied extensively, the electrical energy input has rarely been characterized. Here we report a method to continuously monitor high voltage capacitance during DEA actuation to directly measure the electrical energy consumption. Our approach can track energy conversion efficiency, but also show changes in the device's properties in real-time. This unprecedented insight enables a novel way to study DEAs, evaluate degradation mechanisms, and correlate material structure to device performance. Moreover, it provides a data acquisition platform for data-driven optimization and prediction of long-term actuator performance. This work is a necessary step towards developing ultra-resilient DEAs and enabling a wide range of applications, from wearable devices to soft machines across different scales.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,075
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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)0,0020,000

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 Opus0,012
Tête enseignante GPT0,226
Écart entre enseignants0,214 · 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 tête enseignante, pas un consensus.

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

Citations13
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSoft MatterMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207