MétaCan
Menu
Retour à la cohorte
Enregistrement W4392199482 · doi:10.1002/adfm.202315184

Ultra‐Stretchable and Environmentally Resilient Hydrogels Via Sugaring‐Out Strategy for Soft Robotics Sensing

2024· article· en· W4392199482 sur OpenAlexafffund
Yuhang Ye, Zhangmin Wan, P. D. S. H. Gunawardane, Qi Hua, Siheng Wang, Jiaying Zhu, Mu Chiao, Scott Renneckar, Orlando J. Rojas, Feng Jiang

Notice bibliographique

RevueAdvanced Functional Materials · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesAlliance de recherche numérique du CanadaCanada Excellence Research Chairs, Government of CanadaNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésSelf-healing hydrogelsMaterials scienceResilience (materials science)Soft roboticsNanotechnologyPolyacrylamideChemical engineeringArtificial intelligenceComputer sciencePolymer chemistryComposite materialRobot

Résumé

récupéré en direct d'OpenAlex

Abstract The adoption of hydrogels in most applications is hampered by their high free water content, which limits their mechanical performance and environmental resilience. Herein, this issue is simultaneously addressed by modulating the state of water and the intermolecular interactions in polyacrylamide (PAM) hydrogels. Specifically, PAM hydrogels are toughened by sugaring‐out using a monosaccharide (glucose, G). Glucose is found to facilitate PAM hydrogen bonding and interchain interactions. Meanwhile, the high hygroscopicity of glucose converts some of the free water to bound state, endowing the hydrogels with remarkable resilience to extreme environmental conditions. The PAM‐G hydrogels are demonstrated as multimodal sensors for soft robotics. Moreover, PAM‐G alcogels produced by solvent exchanging with ethanol are shown as effective opto‐mechanical sensors. Notably, all these properties are obtained by the inclusion of glucose, a green additive showing no negative health and environmental effect.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,424
Score d'incertitude au seuil1,000

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 Opus0,015
Tête enseignante GPT0,221
Écart entre enseignants0,205 · 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

Citations68
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced Functional MaterialsMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207