MétaCan
Menu
Retour à la cohorte
Enregistrement W4410893547 · doi:10.3390/electronicmat6020007

Screen Printing for Energy Storage and Functional Electronics: A Review

2025· review· en· W4410893547 sur OpenAlexaff
J. Carretero Rubio, M. Bolduc

Notice bibliographique

RevueElectronic Materials · 2025
Typereview
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensUniversité du Québec à Trois-Rivières
Organismes subventionnairesnon disponible
Mots-clésElectronic materialsElectronicsMaterials scienceNanotechnologyPrinted electronicsEnergy storageElectrical engineeringEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Printed electronics employ established printing methods to create low-cost, mechanically flexible devices including batteries, supercapacitors, sensors, antennas and RFID tags on plastic, paper and textile substrates. This review focuses on the specific contribution of screen printing to that landscape, examining how ink viscosity, mesh selection and squeegee dynamics govern film uniformity, pattern resolution and ultimately device performance. Recent progress in advanced ink systems is surveyed, highlighting carbon allotropes (graphene, carbon nano-onions, carbon nanotubes, graphite), silver and copper nanostructures, MXene and functional oxides that collectively enhance mechanical robustness, electrical conductivity and radio-frequency behavior. Parallel improvements in substrate engineering such as polyimide, PET, TPU, cellulose and elastomers demonstrate the technique’s capacity to accommodate complex geometries for wearable, medical and industrial applications while supporting environmentally responsible material choices such as water-borne binders and bio-based solvents. By mapping two decades of developments across energy-storage layers and functional electronics, the article identifies the key process elements, recurring challenges and emerging sustainable practices that will guide future optimization of screen-printing materials and protocols for high-performance, customizable and eco-friendly flexible devices.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,003

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 Opus0,017
Tête enseignante GPT0,263
Écart entre enseignants0,246 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations9
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueElectronic MaterialsMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207