Flexible 3D‐Printed Cellulosic Constructs for EMI Shielding and Piezoresistive Sensing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Advances in materials science and sustainability have positioned cellulose nanofibers (CNFs) as an important nanomaterial for creating complex 3D architectures through 3D printing techniques. However, the inherent limitations of 3D‐printed CNF‐based materials, such as poor electrical conductivity and restricted mechanical flexibility, pose barriers to their application in next‐generation electronics. The research addresses these challenges by integrating CNF‐based 3D printed frameworks with a conductive polymer via a process known as “cold chemical vapor polymerization” (CCVP). The procedure initiates with the direct ink writing (DIW) of the CNF hydrogel, which then undergoes saturation with Fe 3+ ions and freeze‐drying to produce ion‐embedded CNF frameworks. Subsequently, interconnected conductive pathways of poly(3,4‐ethylenedioxythiophene) (PEDOT) are generated within these structures using CCVP. This methodology allows for precise customization of electrical conductivity, resulting in the production of highly conductive (546 S m −1 ) and mechanically flexible (70% compressible) patterned constructs. This advancement is highlighted by the development of grid‐based structures designed for electromagnetic interference (EMI) shields. These innovative shields demonstrate an absorbance of 0.71 and a specific EMI shielding effectiveness of 3406.45 dB cm 2 g −1 . Furthermore, these aerogels function as highly sensitive piezoresistive sensors, demonstrating the versatility of this sustainable approach for advancing wearable electronics and multifunctional technologies.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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) | 0,000 | 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 découle