High sensitivity, thermal noise-driven aluminum-based resonant MEMS humidity sensor
Notice bibliographique
Résumé
The integration of connected devices and the Internet of Things in the era of Industry 4.0 has led to the transformation of various sectors. Sensors, particularly for humidity measurement, play a pivotal role in applications such as respiration and wound monitoring, human–machine interfaces, fuel cells, and circuit failure detection. While conventional humidity sensors dominate the market, gravimetric-based sensing offers promise but faces challenges due to complex fabrication, high cost, and nonlinearity. This study explores gravimetric platforms for humidity sensing and proposes linear and nonlinear schemes to detect humidity. The linear sensors exhibit consistent frequency shifts with humidity changes, while the nonlinear sensors introduce a turn-around point where nonlinear effects counteract mass-loading. We address this limitation by splitting the dynamic range into low and high ranges on either side of this point, thereby creating one-to-one relationships. Both sensor types demonstrate high sensitivity (from 39068 to −23568 ppm/%RH for nonlinear and 5809 ppm/%RH for linear) and repeatability, emphasizing their suitability for real-time humidity monitoring. Moreover, the thermal noise-driven resonators underlying the sensors do not require external input, thereby enhancing their suitability for low-power applications. These findings provide a foundation for innovative real-time sensing applications and offer insights into optimizing sensitivity and stability in humidity sensing and other applications.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».