Engineering cellulosic paper into a bending strain sensor using chemical additives: Metal salt-based treatment and ethanol-assisted processing
Notice bibliographique
Résumé
The pulp and paper industry, traditionally focused on basic material production, is now expanding into innovative areas, such as advanced functional materials. Papermaking wet-end chemistry & chemical additives is a specialized field that integrates process control in wet-end paper production with the versatile use of chemical additives, which can be tailored for both wet-end and non-wet-end applications. By combining the optimization of wet-end processes with the adaptability of chemical additives-designed specifically for papermaking or adapted from other industries-this field offers immense potential for bridging traditional papermaking with emerging technologies. This study introduces a cellulosic paper-based bending strain sensor enabled by two simple chemical additives: metal salt and ethanol. The sensor is fabricated through a treatment process that engineers the fiber network, enhancing its conductive properties. By transforming the paper's porous structure into a denser network, efficient conductive pathways are established. The resulting material demonstrates features like bending strain detection, isotropic sensitivity, low hysteresis, and high-frequency responsiveness. Additionally, it can sense temperature changes between 20-60 °C and remains functional at subzero temperatures. Encapsulation with polyimide further improves its waterproof and environmental stability. The metal salt-ethanol approach offers a scalable, sustainable, and cost-effective method for producing cellulosic sensors and wearable devices, providing a robust foundation for the practical adoption of innovative sensing 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.
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) | 0,000 | 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 ».