MétaCan
Menu
Retour à la cohorte
Enregistrement W900576130 · doi:10.1088/0964-1726/24/8/085019

Characterization of piezoelectric materials for simultaneous strain and temperature sensing for ultra-low frequency applications

2015· article· en· W900576130 sur OpenAlexaff
Mohammad N. Islam, Rudolf Seethaler, M. Shahria Alam

Notice bibliographique

RevueSmart Materials and Structures · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueUltrasonics and Acoustic Wave Propagation
Établissements canadiensOkanagan University CollegeUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésPiezoelectricityMaterials scienceCapacitancePiezoelectric sensorCharacterization (materials science)Piezoelectric coefficientPiezoelectric accelerometerStrain (injury)AcousticsElectronic engineeringOptoelectronicsComposite materialNanotechnologyEngineeringElectrodePhysics

Résumé

récupéré en direct d'OpenAlex

Piezoelectric materials are used extensively in a number of sensing applications ranging from aerospace industries to medical diagnostics. Piezoelectric materials generate charge when they are subjected to strain. However, since measuring charge is difficult at low frequencies, traditional piezoelectric sensors are limited to dynamic applications. In this research an alternative technique is proposed to determine static strain that relies upon the measurement of piezoelectric capacitance and resistance using piezoelectric sensors. To demonstrate the validity of this approach, the capacitance and resistance of a piezoelectric patch sensor was characterized for a wide range of strain and temperature. The study shows that the piezoelectric capacitance is sensitive to both strain and temperature while the resistance is mostly dependent on the temperature variation. The findings can be implemented to obtain thermally compensated static strain from piezoelectric sensors, which does not require an additional temperature sensor.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,478

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,205
Écart entre enseignants0,198 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSmart Materials and StructuresMême sujetUltrasonics and Acoustic Wave PropagationTravaux en français237 207