MétaCan
Menu
Retour à la cohorte
Enregistrement W4362601917 · doi:10.1039/d2nr07118e

Cellulose-based slippery covalently attached liquid surfaces for synergistic rain and solar energy harvesting

2023· article· en· W4362601917 sur OpenAlexaff
Zhixiang Chen, Yi Lu, Rogério Manica, Jianting Lu, Di Shi, Jingqiao Li, Qingxia Liu

Notice bibliographique

RevueNanoscale · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensUniversity of British ColumbiaUniversity of Alberta
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésCelluloseCovalent bondMaterials scienceChemical engineeringPolymer scienceChemistryAstrobiologyNanotechnologyOrganic chemistryPhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

For solar cell-triboelectric nanogenerator (TENG) integration, the design of the solid substrate for the TENG device becomes one of the challenges. The TENG needs to have superior contact electrification properties and be transparent so as to ensure light transmittance. Here, by spontaneous polymerization of dichlorodimethylsilane in the absence of any toxic solvent, we have fabricated a controllable liquid-like polydimethylsiloxane brush, featuring hydrophobicity, long-term stability, robustness, and UV resistance. A drop of liquid slides off at tilt angles below 5° and there is dynamic contact angle hysteresis of no more than 10° that can provide strong self-cleaning ability to the solid substrate. This recipe is also applicable to surfaces composed of hydroxyl group-rich cellulose-based surfaces, such as flexible cellulose acetate film (CAF). Importantly, PDMS@CAF, a flexible, transparent, and self-cleaning TENG device with a light transmission rate of 99% or more, was prepared using a conductive polymer film of PH 1000. The hybrid energy harvesting system formed by the combination of this transparent TENG equipped with solar cells is promising for harvesting energy from the environment in different weather conditions.

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 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 enseignants0,047
Score d'incertitude au seuil0,997

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)0,0000,000

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 Opus0,021
Tête enseignante GPT0,238
Écart entre enseignants0,217 · 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.

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

Citations12
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNanoscaleMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207