Triboelectric Nanogenerators Enable Multifunctional Ice Accretion, Melting, and Interfacial Fracture Detection
Notice bibliographique
Résumé
Triboelectric nanogenerators (TENGs) have significant potential to perform as sensors or compact electric power generators through the production of electrical charge during the frictional interactions between two dissimilar materials, such as liquids impacting solids. However, whether phase transitions generate a triboelectric response is not known. This study investigates the occurrence of triboelectrification during the water-ice phase transition using TENGs for real-time ice detection on critical engineering surfaces such as aircraft, wind turbine blades, and vehicles. TENGs are fabricated using aluminum electrodes and either polyethylene, silicone, or polytetrafluoroethylene as the dielectric. The freezing of water and the melting of ice are found to generate triboelectric current only during motion of the contact line, and the presence of ice can lessen additional charge transfer during continuous ice accretion. Further, ice type (rime versus glaze) can be differentiated during accretion by the initial transferred charge and how quickly the signal plateaus. It is observed that mechanical de-icing generates triboelectric charges that are proportional to the de-icing force, and this allows for the identification and quantification interfacial fracture mechanisms such as stress-controlled, toughness-controlled, and cavitation-controlled de-bonding. A prototype ice sensor is validated on a flying drone exposed to simulated rain under icing conditions, where it is able to detect both icing and de-icing in flight. The TENGs exhibited a signal-to-noise ratio as high as 83 dB, highlighting triboelectricity as a novel, real-time, and energy-efficient solution for ice detection and protection 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 | 0,000 | 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 ».