MétaCan
Menu
Retour à la cohorte
Enregistrement W4409055800 · doi:10.1002/admt.202401992

Direct Assembly of Multilayered Core–Shell Structured Composites for Self‐Sensing and Soft Robotic Fingers

2025· article· en· W4409055800 sur OpenAlexaff
Jun Ren, Yihang Cao, Heng‐Yong Nie, Yang Zhang, Yu Liu

Notice bibliographique

RevueAdvanced Materials Technologies · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueModular Robots and Swarm Intelligence
Établissements canadiensWestern University
Organismes subventionnairesJiangsu Provincial Key Research and Development Program
Mots-clésCore (optical fiber)Composite materialShell (structure)Soft roboticsMaterials scienceComputer scienceRobotArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract The growing demand for intelligent, adaptive gripping in soft robotics has driven interest in advanced manufacturing techniques for self‐sensing, stiffness‐programmable composites. Traditional fabrication methods often involve complex multi‐step processes, limiting efficiency and functionality. In this work, a novel core‐programmable coaxial direct ink writing (CPC‐DIW) technique is presented for the rapid, one‐step fabrication of soft robotic fingers with programmable stiffness and integrated self‐sensing capabilities. The basic structure consists of a lower‐modulus silicone core encapsulated in a higher‐modulus silicone shell, forming coaxial fibers that provide tunable stiffness. Conductive silicone alternatively embedded within the fiber's core enables real‐time strain sensing without the need for external sensors. This seamless integration of actuation and sensing components eliminates mechanical mismatches, enhancing durability and functionality. Finite element analysis and experimental results confirm the soft fingers’ precise, adaptive control, demonstrating the potential of CPC‐DIW for direct manufacturing of multifunctional soft robotic systems. This approach provides an effective strategy for manufacturing intelligent soft grippers with precise control and unprecedented versatility.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,057
Score d'incertitude au seuil0,732

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,246
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced Materials TechnologiesMême sujetModular Robots and Swarm IntelligenceTravaux en français237 207