Direct laser synthesis, tuning, and patterning of metal nanoparticles-decorated graphene for flexible temperature sensors
Notice bibliographique
Résumé
Driving the enhancement of intelligence in everyday life requires low-cost sensors to translate the physical world into data and help developing the Internet of Things (IoT) ecosystem. Direct laser writing of low-cost graphene-based sensors with commercial lasers is a promising strategy for customized fabrication of sensing platforms. This study presents an all-laser-based fabrication technique for highly sensitive, durable and conformable temperature sensing devices made of engineered organic-inorganic nanostructures. We propose rapid fabrication of graphene–metal heterojunctions as a key solution to tune the temperature sensitivity of graphene by modifying the Seebeck coefficient. By integrating different metal nanoparticles (MNPs) into the graphene matrix including nickel, cobalt, and copper, the electrothermal properties of the composites could be tuned for various sensing applications. Incorporation of copper nanoparticles into laser-induced graphene (Cu-NPs@LIG) significantly enhanced the temperature sensitivity, achieving a sensitivity of up to −1.04 %/°C for ambient and −3.44 %/°C for sub-zero temperature ranges with high linearity (R 2 > 0.98) and minimal hysteresis. Building on the initial findings, the study further investigates the interesting effects of polymer coatings on temperature sensing performance. It was observed that applying coatings such as polyimide (PI) and polyvinylidene fluoride (PVDF) on the Cu-NPs@LIG sensors significantly improved the sensitivity of the sensors up to 81 %. The environmental stability of the Cu-NPs@LIG sensors was evaluated in a closed chamber under varying humidity levels, where PVDF-coated sensors exhibited excellent stability with consistent sensitivity and minimal baseline drift. The proposed fabrication process provides a rapid, low-cost, and scalable route for high-performance flexible temperature sensors, unlocking new opportunities for applications in healthcare monitoring, smart packaging, soft robotics, and IoT-based systems.
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 | 0,001 | 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 ».