Notice bibliographique
Résumé
Abstract Integrating autonomous sensing materials into future applications necessitates developing advanced multiscale multiphysics predictive models. This study introduces an experimentally informed predictive framework for autonomous sensing architected materials, combining theoretical and computational methodologies. By incorporating stress‐dependent electrical resistivity through anisotropic piezoresistive constitutive effects, alongside considering material, geometric, and contact nonlinearities, the proposed multiscale model captures the architecture‐dependent piezoresistive responses of lattice composites produced via additive manufacturing of polyetherimide (PEI)/carbon nanotube (CNT) nanoengineered feedstock. The PEI/CNT composite exhibits exceptional strength (105 MPa), stiffness (3368 MPa), and strain sensitivity (gauge factor ≈13), translating into remarkable piezoresistive characteristics for the PEI/CNT lattice composites, surpassing existing works (gauge factor ≈3 to 11). This multiscale finite element model accurately predicts both macroscopic piezoresistive responses and the influence of architectural and topological variations on electric current paths, validated via infrared thermography analysis. Additionally, an Ashby chart for the gauge factor of PEI/CNT lattice composites suggests their prediction through a scaling law similar to mechanical properties, underscoring the tunable strain and damage sensitivity of these materials. The combined experimental, theoretical, and numerical findings offer critical insights into optimizing piezoresistive composites through architected design, with profound implications for smart orthopedics, structural health monitoring, sensors, batteries, and other multifunctional 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) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».