一个基于化纳米片/环氧复合材料的高识别精度触摸传感器用于材料识别
Shufen Wang1, Mengyu Li1, Hailing Xiang1
1School of Energy Materials and Chemical Engineering, Hefei University, Hefei City, 230601, China. dbyotw@126.com.
Materials horizons
|April 1, 2025
概括
这项研究引入了一种新的触觉传感器,使用带有先进复合材料的 triboelectric 纳米发电机 (TENG). 这种自动驾驶传感器使用深度机器学习准确识别材料,即使是负电荷的材料.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术 纳米技术
- 机器智能是机器的智能.
背景情况:
- 三电纳米发电机 (TENGs) 对于材料识别中的自动驾驶触觉传感有希望.
- 现有的TENG设备与具有电友性质的材料进行斗争,导致信号较弱和识别不佳.
- 需要改进的基于TENG的传感器,能够准确识别负电荷材料.
研究的目的:
- 开发一种基于TENG的传感器,利用化纳米片/水性环氧复合材料 (BNNSs/WEP) 来增强负电荷材料的识别.
- 将深度机器学习与TENG技术集成为一个强大的材料识别系统.
- 在实时监测和疲劳测试中评估传感器的性能.
主要方法:
- 用BNNSs/WEP复合材料作为摩擦层制造一个TENG装置.
- 描述TENG设备的电输出性能 (电压和电荷密度).
- 开发一种包含深度机器学习 (卷积神经网络 - CNN) 的材料识别系统,用于信号处理和材料分类.
主要成果:
- 制造的TENG设备在与负电荷物体相互作用时表现出极好的输出性能,最大电压为2.7V,电荷密度为88.32 nC m-2 .
- 根据TENG产生的摩擦电信号,CNN模型在识别八种不同的材料方面实现了100%的准确性.
- 实时监控传感器显示了特定材料的高识别精度,在两种类型中达到100%,而在其他类型中则具有不同的精度.
结论:
- 建议使用BNNSs/WEP复合材料的TENG传感器显著提高了识别负电荷材料的准确性.
- 深度机器学习与TENGs的整合创造了一个有效的物质感知和识别系统.
- 这项研究推动了机器智能领域内智能材料识别系统的发展.
