MétaCan
Menu
Retour à la cohorte
Enregistrement W4322496343 · doi:10.1186/s11671-023-03779-8

A review of piezoelectric MEMS sensors and actuators for gas detection application

2023· review· en· W4322496343 sur OpenAlexaff
Saeed S. Ba Hashwan, Mohd Haris Md Khir, Illani Mohd Nawi, Mohamad Radzi Ahmad, Mehwish Hanif, Furqan Zahoor, Y. Al‐Douri, Abdullah Saleh Algamili, Usman Isyaku Bature, Sami Sultan Alabsi, Mohammed O. Ba Sabbea, Muhammad Junaid

Notice bibliographique

RevueDiscover Nano · 2023
Typereview
Langueen
DomaineEngineering
ThématiqueGas Sensing Nanomaterials and Sensors
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesYayasan UTPUniversiti Teknologi Petronas
Mots-clésMicroelectromechanical systemsActuatorPiezoelectricityPiezoelectric sensorMaterials scienceComputer scienceEngineeringNanotechnologyElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Piezoelectric microelectromechanical system (piezo-MEMS)-based mass sensors including the piezoelectric microcantilevers, surface acoustic waves (SAW), quartz crystal microbalance (QCM), piezoelectric micromachined ultrasonic transducer (PMUT), and film bulk acoustic wave resonators (FBAR) are highlighted as suitable candidates for highly sensitive gas detection application. This paper presents the piezo-MEMS gas sensors' characteristics such as their miniaturized structure, the capability of integration with readout circuit, and fabrication feasibility using multiuser technologies. The development of the piezoelectric MEMS gas sensors is investigated for the application of low-level concentration gas molecules detection. In this work, the various types of gas sensors based on piezoelectricity are investigated extensively including their operating principle, besides their material parameters as well as the critical design parameters, the device structures, and their sensing materials including the polymers, carbon, metal-organic framework, and graphene.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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 Opus0,023
Tête enseignante GPT0,278
Écart entre enseignants0,254 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations92
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDiscover NanoMême sujetGas Sensing Nanomaterials and SensorsTravaux en français237 207