Catalyst-free engineered robust cellulose ionogel for high-performance ionotronic devices
Notice bibliographique
Résumé
Ionogels, a newly emerging type of gel material, are considered the most attractive candidate for constructing the next-generation ionotronic devices in the Internet of Things era. However, building robust and sustainable ionogels toward high-performance ionotronic devices in broad scenarios remains a huge challenge. Herein, a mechanically robust cellulose ionogel (RCI) via the facile “catalyst-free” yet chemically cross-linked engineering of cellulose molecules was developed. More specifically, ionic liquid, a typical cellulose solvent, and an ion-conductive component of cellulose ionogel were employed to afford the proton and replace the conventional, additional chemical catalyst, which indeed triggers the chemical reactions between cellulose and glutaraldehyde molecules, and thus creates the chemical-bonded, robust cellulose network of RCI. The prepared RCI (0.4 g glutaraldehyde to 0.6 g cellulose) demonstrated surprisingly high strength of ∼11 MPa with 1 000% improvement and toughness of 2.8 MJ/m 3 with 700% increase compared to the original cellulose ionogel (CI), as well as acceptable conductivity of 29.1 ms/cm, surpassing most ionogel materials. Such RCI easily constructed versatile ionotronic devices with unexpected voltage-pressure sensitivity, wide-range loading, and linear and steady-state output for self-powered, body motion, human health, and Morse-code information communication applications. The catalyst-free engineering paves the way toward easy-to-prepare, robust, and promising ionogels in our sustainable society, beyond the cellulose material.
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 ».