一个深度学习的单体纳米粒子不对称热流传感器用于流量向量的估计
Huijae Park1, Sangjin Yoon1, Junhyuk Bang1
1Wearable Soft Electronics Lab, Department of Mechanical Engineering, Seoul National University, 1 Gwanak-ro, Gwanak-gu, Seoul 08826, Korea.
ACS nano
|August 12, 2025
概括
一个新的深度学习的单立体不对称热流传感器提供了精确的流体动力学测量. 这种薄膜设备最大限度地减少了流动干扰,并将硬件与人工智能集成在一起,以精确地估计流动向量.
科学领域:
- 材料科学 材料科学 材料科学
- 传感器技术 传感器技术
- 人工智能的人工智能
背景情况:
- 精确的流量传感在工业,环境和生物医学领域至关重要.
- 传统的流量传感器往往会受到体积,复杂性和流量干扰的影响.
- 现有的测热传感器需要复杂的多电极设置.
研究的目的:
- 开发一种新的,紧的,准确的流量传感器.
- 为了克服传统的庞大和复杂的流量传感器的局限性.
- 将先进的材料处理与深度学习相结合,以提高流量估计.
主要方法:
- 使用激光诱导的氧化物纳米粒子选择性烧结制造单体非对称热流传感器的制造.
- 将微热器和不对称的螺旋温度传感器集成到薄膜设备中.
- 应用深度学习和强化学习算法用于基于传感器电阻变化的流向量估计.
主要成果:
- 薄膜传感器设计最大限度地减少了流动干扰,提高了测量精度.
- 不对称的传感器配置简化了设计,并使人工智能驱动的流量估计成为可能.
- 通过嵌入式无线通信进行实时数据监控,确保可靠的流量评估.
结论:
- 开发的深度学习单体不对称热流传感器为流体动力学测量提供了多功能和准确的解决方案.
- 这种集成的硬件和软件方法比传统的流量传感技术有了显著的进步.
- 该传感器适用于需要精确和非侵入性流量估计的各种应用.
