MétaCan
Menu
Retour à la cohorte
Enregistrement W4327590907 · doi:10.1002/aisy.202200370

Fluid‐Driven High‐Performance Bionic Artificial Muscle with Adjustable Muscle Architecture

2023· article· en· W4327590907 sur OpenAlexaff
Disheng Xie, Yujie Su, Xiaolu Li, Jingxun Chen, Xiangqian Shi, Dezhi Liang, Joanne Yip, Jianbin Liu, Zheng Li, Raymond Kai‐Yu Tong

Notice bibliographique

RevueAdvanced Intelligent Systems · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesInnovation and Technology Commission - Hong KongInnovation and Technology FundTianjin University
Mots-clésMuscle architectureArtificial muscleSarcomereSkeletal muscleExoskeletonMyofilamentRoboticsComputer scienceArtificial intelligenceBiomedical engineeringActuatorRobotAnatomySimulationEngineeringMyocyteBiology

Résumé

récupéré en direct d'OpenAlex

High‐performance artificial muscle is always the pursuit of researchers for robotics. Herein, a bionic artificial muscle is reported called “ExoMuscle” mimicking the sarcomere in skeletal muscle with a bio‐inspired structure to contract “myofilaments” enabling the artificial muscle to mimic the architecture of muscle such as parallel, fusiform, convergent, and pennation and beyond the performance of skeletal muscle. The reported actuators excel in various aspects compared with skeletal muscle including actuation stress (0.41–0.9 MPa), strain (50%), optimal length, velocity‐independence output, power density (10.94 kW kg −1 ), and efficiency (69.11%). With its own adjustable pennation architecture, it achieves variable actuation stress up to 0.9 MPa meanwhile maintaining high efficiency. Furthermore, ExoMuscle highly conforms to the anatomical complexity of the human body to cooperate with skeletal muscles closely opening the door for bio‐robotics, especially wearable robots.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,016
Tête enseignante GPT0,215
Écart entre enseignants0,199 · 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'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

Citations22
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced Intelligent SystemsMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207