【文献总结】2021.8.31-组内动态-仿生智能材料研究组  
【文献总结】2021.8.31
chengchaoyi 3月前 390

..............................

最新回复 (5)
  • chengchaoyi 3月前
    引用 2


     该内容被隐藏,只有指定用户组可见

  • 安雪 3月前
    引用 3


     该内容被隐藏,只有指定用户组可见

  • 引用 4


    Liquid–Metal-Superlyophilic and Conductivity–Strain-Enhancing Scaffold for Permeable Superelastic Conductors

    https://doi.org/10.1002/adfm.202105587

    该研究报道了一种新型基于LM的超弹性导体。我们制造了高度可拉伸的LM-超亲水纤维,它允许LM的高质量负载,并具有导电性/应变增强功能。与 LM 颗粒用作不连续填充物的传统复合结构不同,或将 LM 打印在弹性基板顶部的双层结构不同,LM-超亲水纤维在其 3D 空间中容纳大量 LM,具有很强的毛细管力,并与 LM 形成双连续相。拉伸后,复合材料的导电性增加,因为LM更好地注入毛细血管,从而增强导电通路。电导率的增加平衡了几何变化对电阻的负面影响。因此,3D LM-超亲水可拉伸纤维同时解决了高拉伸应变的耐织性、质量负荷、导电性和稳定性方面的挑战。该研究证明,新型导电复合材料的导电性为 155900 S cm-1,在220000周期的拉伸释放测试后,超高拉伸应变为2500%,边际阻力变化小于25%。结合印刷技术,还演示了导电复合材料的图案,用于高渗透性和超弹性拉伸电子器件的应用。

     

    Portable Food-Freshness Prediction Platform Based on Colorimetric Barcode Combinatorics and Deep Convolutional Neural Networks

    https://doi.org/10.1002/adma.202004805

    作者集成了彩色条形码组合体与深汇体神经网络(DCN),以形成一个系统,同时提供气味指纹和智能指纹识别。作者使用深色嗅觉条形码,自动筛选不同类型的肉类的新鲜度。彩色条形码由20种不同类型的多孔纳米复合物组成,这些纳米复合物由嵌入在醋酸纤维素(CA)上的染料加载的壳聚糖纳米颗粒CNP-Dye)组成。条形码中的卤色染料根据气体的类型和浓度进行交叉反应,形成使用 DCNN 识别的气味指纹(以彩色条形码的形式)。使用全监督培训技术和 3475 标记条形码图像作为培训来源,获得了 DCNN,预测肉类新鲜度,总体准确度为 98.5%。将 DCNN 整合到智能手机软件中,用户只需扫描条形码即可识别 30s 以内肉类的新鲜度。该系统快速、自动化、准确且无损。由于该系统采用常见的可生物降解和生物相容材料,在典型的食品包装条件下进行研究,因此适用于食品供应链沿线的任何地方,以便实时监测食品新鲜度。

     



     




     

    Hand Gesture Recognition Using EGaIn-Silicone Soft Sensors

     

    https://www.mdpi.com/1424-8220/21/9/3204

    在这项研究中利用EGaIn硅胶传感器是由橡胶成型和铸造以及液态金属注入方法制造的。EGaIn-硅胶传感器表现出一定程度的非线性和滞后性特征,但随着应用单轴应变沿传感器的纵向方向增加,电阻逐渐增强,以此作为传感基础。开发了嵌入了拟议软传感器的织物数据手套。为了评估拟议数据手套的性能,招募了15名受试者,并测试了12个静态手势。通过收集的手势数据集,手势识别中数据手套的性能由 6 个传统机器学习分类器决定:K-最近的邻居、支持矢量机、线性鉴别分析 (LDA)、随机森林 (RF)、天真贝叶和四分线歧视分析。LDA 显示的准确性最低(87.4% ± 5.6%),RF 显示的准确性最高(97.3% ± 2.4%)。由于制备的软微通道传感器具有非线性,LDA 的精度似乎有所降低。然而,其他传统的机器学习分类器能够克服传感器的非线性特性。这表明,不需要高计算深度学习技术来通过建议的传感器对手势进行分类。尽管在对手势#2(手靠近)和手势#8Num 5,竖起大拇指)等类似手势进行分类时仍然存在性能退化,但使用建议的数据手套的识别系统显示其他手势的声音分类准确性。在今后的工作中,通过开发一个以数学方式描述软传感器非线性行为的封闭式方程,可以提高简单线性分类方法的分类精度。

     




  • yushanyu 3月前
    引用 5

    具有静电相互作用的合成湿式胶粘剂

     

    研究人员研究了静电相互作用作为一种提高粘合剂粘合力和粘合力的方法。这种方法可以通过改变电荷的数量和位置、离子强度或环境的pH值来调整粘合剂的附着力和粘合强度。常见的基于静电相互作用的各种胶粘剂,包括聚电解质胶粘剂和分子静电相互作用胶粘剂。

     聚电解质复合胶粘剂

    通过将商业聚阳离子聚合物(如聚烯丙基胺)与多价阴离子交联剂(如焦磷酸盐或三聚磷酸盐[1]混合,制备了一种基于静电相互作用的简单且廉价的复合湿式胶粘剂。混合后,由于相反电荷的高交联密度,形成了坚硬的凝胶状复合物。该复合粘合剂用作压敏胶(PSA),在亲水性(如玻璃)和疏水性(PMMA、聚四氟乙烯)基板上表现出很强的水下附着力(350-450kPa)。有趣的是,这种聚电解质粘合剂可以通过简单地调节pH值来去除,因为阳离子被去质子化或阴离子被质子化,破坏了聚电解质复合物中的静电相互作用并导致其溶解[2]对于邻苯二酚为基础的复合凝聚湿粘合剂,凝聚体表现出优异的铺展和润湿性能,这使得它们对于必须在水下使用该粘合剂的应用非常有利[3]。基于这些优势,研究人员制备了一种基于静电相互作用的水下粘接用热响应型复合凝聚剂。该胶粘剂是由聚(丙烯酸)接枝聚N-异丙基丙烯酰胺(PAA-g-PNIPAM)Pol(二甲氨基丙基丙烯酰胺)-接枝聚(N-异丙基丙烯酰胺)(PDMAPAA-g-PNIPAM)两种相对荷电的聚电解质溶液混合而成的,两种组分的摩尔比约为11。这两种溶液在pH值为7时以11的相反电荷单位的化学计量比混合。单体浓度的总电荷为0.05M,差示扫描量热法测定混合物的临界溶解温度(LCST)为23°C。当温度高于LCST时,PNIPAM的侧链聚集成微区,形成物理混合物从几乎透明的溶液转变为白色的固体状复合凝聚体。通过探针法测量的水下粘合强度与温度有关。在20时,复合凝聚体对PAA水凝胶膜的粘附能仅为0.02J/m2,但当温度升高到50时,其粘附能增加了两个数量级,达到1.6J/m2。这种复合凝聚型胶粘剂还可以附着在玻璃和聚四氟乙烯等亲水和疏水基材上,与带负电的PAA表面相比,具有更高的粘接能(玻璃为3.8J/m2,聚四氟乙烯为3.2J/m2)[4]

     基于分子静电相互作用的胶粘剂

    对于在潮湿条件下粘附在生物组织等基材上的粘合剂,它必须有足够的反应位点与基材表面相互作用 [5]。由于许多生物组织具有净表面电荷,因此可以通过静电相互作用实现粘附[6]。然而,尽管已经报道了使用静电相互作用的粘合剂,但很少观察到通过完全分子静电相互作用在水中进行宏观粘合。最近,有研究者使用探针粘性测试研究了基于分子静电相互作用的聚电解质凝胶的宏观湿粘附。他们发现,带相反电荷的表面之间的粘附力很大程度上取决于脱键速率,而不是像基于氢键的粘附力的接触时间。此外,带相反电荷的聚电解质凝胶之间的粘附能与电荷密度呈正相关,与凝胶的模量呈负相关。此外,尽管相反电荷之间的分子静电相互作用可以提供在水中的粘附力,但由于屏蔽效应,这些静电相互作用在海水中往往会消失, 从而难以通过静电相互作用在海水中实现粘附。海水。然而,当氨基酸和芳香族残基在生物系统中相邻时,它们可以通过静电相互作用吸附到带负电的蛋白质双层上。受此启发,Gong 及其同事设计了由多种阳离子/芳香族单体组成的序列控制水凝胶,通过静电相互作用显示出对海水中带负电表面的快速、牢固和可逆粘附[7]。这些粘性水凝胶是通过阳离子复合物辅助的自由基聚合制备的。这些水凝胶的制备取决于阳离子和芳香族残留单体的乙烯基头的类型,以及这两种单体之间的比例。只有当两种单体具有相同的乙烯基头和摩尔比时,才能获得所需的序列控制水凝胶。如果乙烯基头的类型和摩尔比不同,则由于芳族残基的疏水聚集而获得水不溶性聚合物。水凝胶的机械性能可以通过改变单体或交联剂的含量来调节。即使在高盐离子溶液和海水中,水凝胶对带负电或疏水表面的强粘附力也是通过静电和疏水相互作用实现的。这种新颖的设计可以指导通过海水中的分子静电相互作用实现粘附的研究[7]

     

    参考文献

     

    [1] Huang Y , Lawrence PG , Lapitsky Y . Self-assembly of stiff, adhesive and self- -healing gels from common polyelectrolytes. Langmuir 2014;30:7771–7 .

    [2] Lawrence PG , Lapitsky Y . Ionically cross-linked poly(allylamine) as a stimu- lus-responsive underwater adhesive: ionic strength and pH effects. Langmuir 2015;31:1564–74 .

    [3] Cui CY , Fan CC , Wu YH , Xiao M , Wu TL , Zhang DF , et al. Water-Triggered Hy- perbranched Polymer Universal Adhesives: From Strong Underwater Adhesion to Rapid Sealing Hemostasis. Adv Mater 2019;31:1–9 1905761/ .

    [4] Dompé M , Cedano-Serrano FJ , Heckert O , Heuvel N , Gucht J , Tran Y , et al. Thermoresponsive complex coacervate-based underwater adhesive. Adv Mater 2019;31:1–6 1808179/ .

    [5] Tamagawa H , Takahashi Y . Adhesion force behavior between two

    gels attached with an electrolytic polymer liquid. Mater Chem Phys

    2008;107:164–70 .

    [6] Gong JP . Friction and lubrication of hydrogels—its richness and complexity. Soft Matter 2006;2:544–52 .

    [7] Fan HL , Wang JH , Tao Z , Huang JC , Rao P , Kurokawa T , Gong JP . Adjacent cationic–aromatic sequences yield strong electrostatic adhesion of hydrogels in seawater. Nat Commun 2019;10:1–8 5127/ .


    最后于 3月前 被yushanyu编辑 ,原因:
  • 刘平 3月前
    引用 6


    Mechanoresponsive Healable Metallosupramolecular Polymers

    这篇文章介绍了具有优异力学性能,同时具有损伤传感和自我修复能力的聚合物的研究进展。以铜催化叠氮化物−炔环加成(CuAAc)为基础的三齿配体2,6-双(1,2,3-三唑-4-基)吡啶(BTP)和共价机械基团螺吡喃(SP)连接到聚合物主链上制备配体大分子。金属超分子膜与过渡金属盐或镧系金属盐配位后,自发形成软/硬相分离的金属超分子膜。由此产生的材料显示出罕见的强、韧和弹性机械性能的组合,并且能够通过改变光学属性来感知损伤。含Zn2+材料在溶剂存在下可自愈合,完全恢复其力学性能。底层结构−产权关系揭开面纱。特别地,证明了共价SP机械团与非共价金属−配体相互作用及其硬相的相互作用。

     


    Biomimetic Modular Polymer with Tough and Stress Sensing Properties

         这篇文章是为了设计既具有优异力学性能又能传感应力的新型高分子材料,将氢键脲基吡啶酮(UPY)和共价机械变色螺环吡喃(SP)结合到一个聚合物结构中,以编程材料的力学和力化学响应。分子和微观结构与宏观性质之间的良好相关性已经被成功地证明。拉伸试验显示出优异的机械性能,即高强度、高断裂伸长率和高韧性。优异的力学性能是UPY二聚体堆积形成的硬畴连续碎裂和UPY二聚体解离的结果。灾难性失效前的应力传感也很容易以颜色变化的形式实现,这与应变硬化事件相吻合。研究表明,SP的碎裂和解离事件发生在SP机械活化之前。


    (1) Caruso, M. M.; Davis, D. A.; Shen, Q.; Odom, S. A.; Sottos, N. R.; White, S. R.; Moore, J. S. Chem. Rev. 2009, 109, 5755−5798. 

    (2) Yan, X.; Wang, F.; Zheng, B.; Huang, F. Chem. Soc. Rev. 2012, 41, 6042−6065. 

    (3) Wu, D. Y.; Meure, S.; Solomon, D. Prog. Polym. Sci. 2008, 33, 479−522. 

    (4) Yan, X.; Xu, D.; Chi, X.; Chen, J.; Dong, S.; Ding, X.; Yu, Y.; Huang, F. Adv. Mater. 2012, 24, 362−369.

    (5) Zhang, M.; Xu, D.; Yan, X.; Chen, J.; Dong, S.; Zheng, B.; Huang, F. Angew. Chem., Int. Ed. 2012, 51, 7011−7015. (6) Ji, X.; Yao, Y.; Li, J.; Yan, X.; Huang, F. J. Am. Chem. Soc. 2012, 135, 7 4−77. 

    (7) Black, A. L.; Lenhardt, J. M.; Craig, S. L. J. Mater. Chem. 2011, 21, 1655−1663. 

    (8) Beyer, M. K.; Clausen-Schaumann, H. Chem. Rev. 2005, 105, 2921−2948. 

    (9) Ariga, K.; Mori, T.; Hill, J. P. Adv. Mater. 2011, 24, 158−176. 

    (10) Roberts, D. R. T.; Holder, S. J. J. Mater. Chem. 2011, 21, 8256− 8268.

    • 仿生智能材料研究组
      7
          
返回