MétaCan
Menu
Retour à la cohorte
Enregistrement W4399053584 · doi:10.1002/eem2.12760

Harvesting Energy Via Water Movement and Surface Ionics in Microfibrous Ceramic Wools

2024· article· en· W4399053584 sur OpenAlexaff
Manpreet Kaur, Avinash Alagumalai, Omid Mahian, Sameh M. Osman, Tadaaki Nagao, Zhong Lin Wang

Notice bibliographique

RevueEnergy & environment materials · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésCeramicMovement (music)Materials scienceComposite materialPhysicsAcoustics

Résumé

récupéré en direct d'OpenAlex

Due to the push for carbon neutrality in various human activities, the development of methods for producing electricity without relying on chemical reaction processes or heat sources has become highly significant. Also, the challenge lies in achieving microwatt‐scale outputs due to the inherent conductivity of the materials and diverting electric currents. To address this challenge, our research has concentrated on utilizing nonconductive mediums for water‐based low‐cost microfibrous ceramic wools in conjunction with a NaCl aqueous solution for power generation. The main source of electricity originates from the directed movement of water molecules and surface ions through densely packed microfibrous ceramic wools due to the effect of dynamic electric double layer. This occurrence bears resemblance to the natural water transpiration in plants, thereby presenting a fresh and straightforward approach for producing electricity in an ecofriendly manner. The generator module demonstrated in this study, measuring 12 × 6 cm 2 , exhibited a noteworthy open‐circuit voltage of 0.35 V, coupled with a short‐circuit current of 0.51 mA. Such low‐cost ceramic wools are suitable for ubiquitous, permanent energy sources and hold potential for use as self‐powered sensors and systems, eliminating the requirement for external energy sources such as sunlight or heat.

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 enseignants0,166
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)0,0010,000

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 Opus0,006
Tête enseignante GPT0,176
Écart entre enseignants0,170 · 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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy & environment materialsMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207