可伸缩电极的预测设计,通过机器人和机器学习集成工作流来实现对应变不敏感的性能
Haochen Yang1, Qiongyu Chen2, Tianle Chen1
1Department of Chemical and Biomolecular Engineering, University of Maryland, College Park, MD, USA.
研究人员开发了一种机器智能工作流程,用于设计可拉伸电极. 这种方法结合了自动化实验,机器学习和模拟,以实现可穿戴电子产品和软机器人中的不敏感应变性能.
科学领域:
- 材料科学 材料科学 材料科学
- 机器人技术 机器人技术 机器人技术
- 电子 电子 电子 电子 电子 电子 电子
背景情况:
- 可穿戴电子产品和软机器人需要可拉伸电极.
- 同时实现高拉伸性,性能和应变不敏感性是一项挑战.
- 对于复杂的参数空间,传统的实验方法耗时且效率低下.
研究的目的:
- 开发可伸缩电极的预测性设计工作流程,具有应变不敏感的特性.
- 克服材料发现中传统实验方法的局限性.
- 使用机器智能实现可拉伸电极参数的快速优化.
主要方法:
- 集成的工作流,结合机器人自动化实验,机器学习 (ML) 预测和有限元模拟.
- 通过积极学习的两阶段工作流程构建的人工神经网络集.
- 使用ML预测和模拟开发的微纹理伸缩纳米复合材料平台.
- 合规沉积黄金和Zn和MnO2的电沉积用于电池应用.
主要成果:
- 发现微纹理伸缩纳米复合材料作为应变稳定的平台.
- 通过一层黄金,实现了类似金属的导电性和高阻力-不敏感的伸缩性.
- 演示了一种可伸缩的ZnRadMnO2电池,具有很大的延长和对应变不敏感的电化学性能.
- 验证了机器智能驱动的多参数优化方法的有效性.
结论:
- 集成的工作流显著加速可拉伸电极的设计和优化.
- 机器智能使我们能够为先进的电子应用程序创建抗应变材料.
- 这种方法有助于开发高性能,耐用和可拉伸的设备.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Design Example: Strain Gauge Bridge or Wheatstone Bridge
Standard Electrode Potentials
Factorial Design
Insensitive Nuclei Enhanced by Polarization Transfer (INEPT)
Predicting Molecular Geometry
Machines
A free-body diagram of the...
