Data ‐Driven Long‐Term Energy Efficiency Prediction of Dielectric Elastomer Artificial Muscles
Notice bibliographique
Résumé
Abstract The widespread adoption of dielectric elastomer actuators (DEAs) as compliant artificial muscle is on the horizon after a wide range of prototype demonstrations. The next step is to accelerate the material optimization for specific design requirements. This work proposes a data‐driven framework to predict long‐term DEA energy consumption and efficiency using measurements of initial electrical properties. DEA datasets are generated from 242 pre‐stretched single‐layer actuators and 53 multi‐layer bending actuators actuated for 30–180min. Devices are made with different elastomer and electrode materials, and tested with a novel instrument that can measure multiple aspects of DEA actuation. First, experiments are conducted to develop an empirical understanding of the electro‐mechanical energy conversion mechanism and the impact of material choices during DEA actuation. Second, data‐driven models are applied to the datasets to predict energy consumption and efficiency. Third, the potential generalization of this approach is investigated by using transfer learning strategies to predict energy efficiency at 100 min with as little as 1 min of input data. Moreover, it is found that linear regression can extend the prediction up to 180 min. Additionally, transfer learning is applied to predict energy‐related properties of multi‐layer DEAs using a small dataset. The proposed data‐driven framework can evolve into an intelligent system for accelerating new material discovery by predicting performance and providing device optimization strategies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».