Native Lignin Migration and Clustering in Wood: Superhydrophobic, Antimold, and Tribonegative Layers for Rain‐Driven Electrification
Notice bibliographique
Résumé
Abstract The development of wood‐based materials for energy harvesting, particularly triboelectric nanogenerators (TENGs), has recently attracted significant attention. Traditional strategies for wood‐based TENG primarily rely on delignification to enhance tribo‐positivity, overlooking the intrinsic potential of lignin and necessitating the use of fluoropolymers to maintain performance. In this study, the native lignin within the wood matrix is used to create a superhydrophobic, fully wood‐based tribonegative material (referred to as Lig‐wood), functioning as a liquid–solid triboelectric nanogenerator (L–S TENG) upon contact with water. Through a process of pretreatment and in‐situ regeneration, lignin undergoes migration, assembly, and redistribution within the wood's hierarchical architecture. This results in enhanced hydrophobicity (water contact angle 148°) and efficient surface charge transfer. The morphological and chemical changes significantly boost Lig‐wood's tribonegative performance, achieving a 7.5‐fold increase in voltage and a 6‐fold increase in current compared to unmodified wood. The Lig‐wood powers LEDs and digital timers under simulated rainfall, demonstrating its functionality as green energy harvesting material. Importantly, the surface‐localized lignin imparts self‐cleaning and antimold properties, supporting the potential for long‐term, outdoor use. By leveraging the inherent functionalities of lignin, this approach presents a sustainable strategy for rain‐driven energy harvesting, representing a significant advancement in green and renewable energy 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 ».