Multiskalige und hierarchische, faltenverstärkte Graphen/Ecoflex-Sensoren, integriert in menschliche

npj Flexible Electronics Band 6, Artikelnummer: 55 (2022) Diesen Artikel zitieren

2764 Zugriffe

7 Zitate

4 Altmetrisch

Details zu den Metriken

An aktuelle dehnbare/flexible Sensoren auf dem neuesten Stand der Technik werden strenge Anforderungen an Empfindlichkeit, Flexibilität, Linearität und große Messmöglichkeiten gestellt. Hier berichten wir über eine Methodik von Dehnungssensoren auf Basis von Graphen/Ecoflex-Verbundwerkstoffen durch Modulation multiskaliger/hierarchischer Falten auf flexiblen Substraten. Der Sensor weist eine ultrahohe Empfindlichkeit mit einem Gauge-Faktor von 1078,1, einer Dehnbarkeit von 650 %, einer Reaktionszeit von ~140 ms und einer überragenden Zyklenbeständigkeit auf. Es kann ein breites Spektrum physiologischer Signale erkennen, darunter kräftige Körperbewegungen, Pulsüberwachung und Spracherkennung, und mithilfe einer Cloud-Plattform zur Überwachung der menschlichen Atmung in Echtzeit verwendet werden, was ein großes Potenzial für das Internet der Dinge im Gesundheitswesen darstellt. Komplexe Gesten/Gebärdensprachen können präzise erkannt werden. Die Mensch-Maschine-Schnittstelle wird anhand eines sensorintegrierten Handschuhs zur Fernsteuerung eines externen Manipulators zur Fernentschärfung einer Bombe demonstriert. Diese Studie bietet Strategien für die medizinische Echtzeit-/Langstreckendiagnose und Fernunterstützung bei der Durchführung gefährlicher Aufgaben in der Industrie und im militärischen Bereich.

Flexible, dehnbare und tragbare Dehnungssensoren haben in letzter Zeit große Aufmerksamkeit erhalten, da auf die flexiblen/biegsamen/dehnbaren oder gekrümmten Substrate große Dehnungen ausgeübt werden können. Sie wandeln komplexe mechanische Verformungen effektiv in elektrische Signale um und sind vielversprechend für Anwendungen in Systemen zur Überwachung der menschlichen Gesundheit, im tragbaren Internet der Dinge (WIoT), bei der Mensch-Maschine-Interaktion und in der Soft-Robotik usw.1,2,3,4,5. Diese dehnbaren/flexiblen/tragbaren Dehnungssensoren können im Vergleich zu ihren starren Gegenstücken (normalerweise mit einer Dehnung von weniger als 5 %) einer viel größeren Dehnung (bis zu 500 %) und einer erheblichen Verformung standhalten6. Daher werden sie für In-situ- und präzise Messungen auf komplex geformten Oberflächen untersucht. Derzeit sind verschiedene Arten von dehnbaren Dehnungssensoren erhältlich, zum Beispiel kapazitive Sensoren7,8, Widerstandssensoren9,10, triboelektrische Sensoren11,12 und piezoelektrische Sensoren13,14. Unter diesen werden Widerstandsdehnungssensoren häufig für tragbare Sensoranwendungen verwendet, da sie nicht nur über einfache Strukturen, praktische Ausleseschaltungen und kostengünstige Mikrofertigungsprozesse verfügen, sondern auch eine gute Dehnbarkeit, hohe Empfindlichkeit und Flexibilität bieten15,16.

In jüngster Zeit konzentrierte sich die einschlägige Forschung auf leitfähige Materialien, die mit flexiblen Polymeren integriert wurden, um Dehnungssensoren herzustellen. Zu diesem Zweck wurden verschiedene Materialien wie Ruße (CB), Nanopartikel (NPs), Kohlenstoffnanoröhren (CNTs), Graphen, Nanodrähte (NWs) und hybride Mikro-/Nanostrukturen eingesetzt17,18,19,20,21,22, 23. Unter ihnen sind niedrigdimensionale Kohlenstoffe (einschließlich CB, CNTs und Graphen) aufgrund ihrer guten Flexibilität, ihres großen Oberflächen-Volumen-Verhältnisses, ihrer guten chemischen und thermischen Stabilität und ihrer guten elektrischen Leitfähigkeit sehr attraktiv24,25,26.

Um ihre praktischen Anwendungen zu realisieren, sollten diese Sensoren sowohl eine hohe Empfindlichkeit als auch eine große Dehnbarkeit aufweisen. Ihre Empfindlichkeit und Dehnbarkeit werden jedoch oft als widersprüchlich angesehen. Daher schlugen viele Forscher verschiedene Methoden zur Oberflächen- und Grenzflächentechnik vor (z. B. Fischschuppen-Mikrostrukturen27, reversible Mikrorissbildung28, Mikroprismen-Array-Architektur29, Säure-Grenzflächentechnik30 und Faltenstrukturen usw.31,32,33), um dieses Dilemma zur Erzielung hoher Ergebnisse zu lösen Empfindlichkeiten und große Bereiche der Dehnungserkennung. Unter diesen Methoden ist die Anwendung von Faltenstrukturen eine der vorherrschenden Strategien. Zuvor haben Pegan et al. schlugen einen faltigen Platin-Dehnungssensor vor und erreichten eine Zugdehnung von 185 % und einen Gauge-Faktor (GF) von 4234. Basierend auf einem mehrskaligen Strukturdesign haben Xue et al. schlugen einen Dehnungssensor unter Verwendung von Graphen und nanokristallinem Kohlenstofffilm mit Faltenstrukturen vor, der einen ultrahohen GF von 107135 zeigte. Chu et al. stellten mithilfe einer Vordehnungsmethode einen faltenbasierten Sensor her und zeigten eine Dehnung von bis zu 300 %36. Dennoch ist es für diese entwickelten Dehnungssensoren immer noch schwierig, eine kombinierte hohe Empfindlichkeit (GF > 1000) und hohe Dehnbarkeit (>500 %) sowie ultraschnelle Reaktionen und Fähigkeiten für eine breite Palette von Dehnungserkennungen zu erreichen. Es ist von entscheidender Bedeutung, verschiedene Strategien zur Überwindung dieser Einschränkungen zu erforschen und Dehnungssensoren zu entwickeln, die hochempfindlich und dehnbar sind, eine gute Stabilität und ultraschnelle Reaktionen sowie eine Dehnungserkennung über einen weiten Bereich aufweisen.

In dieser Studie wird eine Interface-Engineering-Strategie vorgeschlagen, um flexible Dehnungssensoren aus Graphen/Ecoflex-Verbundwerkstoff zu entwerfen und herzustellen, indem Faltenmechanismen auf das Ecoflex-Substrat angewendet werden. Wir haben eine kostengünstige und zweistufige Methode zur Oberflächenbehandlung des Ecoflex-Substrats angewendet (z. B. Ethanol-unterstützte Verfestigung und anschließendes Eintauchen in Petrolether), um mikro- und nanoskalige Faltenmuster zu bilden, wie in Abb. 1a dargestellt. Dadurch können die spezifischen Oberflächen und die Grenzflächenbindung zwischen Ecoflex und Graphen erheblich vergrößert und so die Dehnungsempfindlichkeit deutlich verbessert werden. Der hergestellte flexible/dehnbare Dehnungssensor weist eine hohe Empfindlichkeit mit einem GF von 1078,1, eine große Dehnbarkeit bei einer Dehnung von bis zu 650 %, eine gute Zyklenbeständigkeit (z. B. 3000 Zyklen bei einer Dehnung von 200 %) und eine schnelle Reaktionszeit auf von ~140 ms. Der Sensor ist in der Lage, ein breites Spektrum physiologischer Signale zu erkennen und zu erfassen, von Sprachgeräuschen und Pulsvibrationen bis hin zu kräftigen Körperbewegungen. Es kann auch für die Echtzeit-Cloud-Plattform- und Mehrbenutzerüberwachung der menschlichen Atmung eingesetzt werden (Abb. 1b). Komplexe Gesten und Gebärdensprachen sowie die Fernentschärfung einer Bombe (Abb. 1b) werden ebenfalls mit einer Mensch-Maschine-Schnittstelle demonstriert. Alle diese Funktionen wurden mithilfe eines sensorintegrierten Handschuhs zur Fernsteuerung eines externen Manipulators erreicht. Diese Arbeit zeigt das große Potenzial des flexiblen Sensors für medizinische Echtzeit-/Ferndiagnosen und Fernunterstützung bei der Durchführung gefährlicher Aufgaben in militärischen und industriellen Bereichen.

a Schematische Darstellungen der Herstellungsprozesse für die Graphen/faltigen Ecoflex-Dehnungssensoren; b Diagramme der flexiblen Sensoren, die die physiologischen Signale des menschlichen Körpers, der Signalerfassungseinheit, der Signalanalyseeinheit, der Cloud-Plattformüberwachung und der ferngesteuerten Bombenentschärfung erkennen und erfassen können; c Fotos des Graphen/Ecoflex-Dehnungssensors unter der Zugdehnung von 0 %, 300 und 650 %; d Der anfängliche Widerstand von vier Arten von Graphen/Ecoflex-Dehnungssensoren; e die relativen Widerstandsänderungen (∆R/R0) gegenüber der Dehnung für vier Arten von Graphen/Ecoflex-Dehnungssensoren.

Abbildung 1a zeigt schematisch die vorgeschlagene zweistufige Methode mit der Schnittstellen-Engineering-Strategie basierend auf auf Ecoflex erzeugten Oberflächenfalten und den Herstellungsverfahren von Graphen/Ecoflex-Komposit-Dehnungssensoren. Weitere Einzelheiten zu den Herstellungsparametern und -verfahren finden Sie in der ergänzenden Abbildung 1.

Der erste Schritt der Schnittstelle-Engineering-Methode besteht darin, eine ethanolunterstützte Verfestigungsmethode zu verwenden, um Falten im Mikrometerbereich (Merkmale von 5–10 μm) auf Ecoflex nach der Verflüchtigung von Ethanol zu erzeugen, wie in Abb. 1a dargestellt. Dazu wurden die Ecoflex 00–30 A- und B-Komponenten mit einem Gewicht von jeweils 10 g mit 2,5 ml Ethanol vermischt und bei 30 °C etwa 3 Stunden lang ausgehärtet, um ein festes Ecoflex-Elastomer zu erzeugen.

Der zweite Schritt der Interface-Engineering-Methode besteht darin, eine Einweichmethode zu verwenden, bei der das Ecoflex in einen Petrolether gegeben wird, um Falten in Nanogröße zu bilden. Dazu wurde das feste Ecoflex-Elastomer 3 Stunden lang in eine Petroletherlösung getaucht. Dadurch entstand das gequollene Ecoflex-Elastomer mit einer auf etwa das 1,7-fache vergrößerten Abmessung, und anschließend bildeten sich nanoskalige Faltenstrukturen von etwa 250 nm auf der Oberfläche Schwindung.

Um die überlegenen Eigenschaften unserer vorgeschlagenen leitfähigen Graphenmaterialien zu überprüfen und die Übereinstimmung zwischen den leitfähigen Kohlenstoffmaterialien und dem Substrat zu vergleichen, haben wir CNT- und Graphen-Nanoflocken (beides sind Hochleistungsmaterialien auf Nanokohlenstoffbasis) als leitfähige Materialien zur Herstellung von Dehnungssensoren verwendet für Vergleiche. Alle anderen Vorbereitungsprozesse bleiben für alle vorbereiteten Proben gleich. Die experimentellen Ergebnisse sind in der ergänzenden Abbildung 2 dargestellt, die zeigt, dass die Anwendung von Graphen im Vergleich zu CNTs eine bessere Leistung zeigt.

Graphen-Nanoflocken mit einem Gewicht von 0,06 g wurden in einem Lösungsmittel aus N-Methylpyrrolidon (NMP, Volumen 3 ml) und entionisiertem Wasser in einem Mischvolumenverhältnis von 1:4 gegeben. Die gemischte Lösung wurde dann 3 Stunden lang mit Ultraschall gerührt. Die Funktion von NMP bestand darin, die Graphen-Nanoflocken gleichmäßig in der Lösung aufzulösen, und die Rolle von Wasser bestand darin, die Löslichkeit von Graphen im NMP zu verringern und so die Graphen-Nanoflocken effektiv von NMP auf das Ecoflex zu übertragen (siehe Ergänzende Anmerkung 3). Um die Einflüsse der Graphenkonzentration und des Verhältnisses von NMP/Wasser auf die Leistung von Graphen/Ecoflex-Geräten zu untersuchen, haben wir die Graphenkonzentrationen von 1, 2, 3, 4 bis 5 mg/ml und die Verhältnisse von NMP/Wasser variiert 1:0,5, 1:1, 1:2, 1:3, 1:4 bis 1:5. (Siehe ergänzende Abbildung 3).

Das vorbereitete faltige Ecoflex wurde dann in die gemischte Dispersionslösung aus Graphen: NMP: Wasser eingetaucht, die 3 Stunden lang mit einem Magnetrührer bei einer Rührgeschwindigkeit von 800 U/min gerührt wurde. Dies förderte die Anhaftung der Graphenflocken an der Oberfläche des Ecoflex-Substrats. Das Graphen/faltige Ecoflex wurde dann 30 Minuten lang mit entionisiertem Wasser mit Ultraschall gereinigt und dann 3 Stunden lang bei 85 °C (in einem Vakuumofen) getrocknet, um den Dehnungssensor zu erhalten. Um die Wirksamkeit der Schnittstellentechnikstrategie und Änderungen von Ecoflex auf die Leistung der Graphen/Ecoflex-Sensoren zu untersuchen, haben wir vier Arten von Ecoflex-Proben hergestellt, die als Ecoflex A, Ecoflex B, Ecoflex C und Ecoflex D bezeichnet werden, sowie deren Prozessbedingungen sind in Tabelle 1 aufgeführt.

Abbildung 1c zeigt Bilder von Graphen/Ecoflex-Dehnungssensoren mit gedehnten Dehnungen von 0 %, 300 bzw. 650 %, was die gute Dehnbarkeit zeigt. Abbildung 1d zeigt den anfänglichen Widerstand von vier Arten von Graphen/Ecoflex-Verbundsensoren, die aus Graphen hergestellt sind: NMP: Wasserlösungen mit einem NMP/Wasser-Verhältnis von 1:4 und einer Graphenkonzentration von 4 mg/ml. Die Ergebnisse zeigen, dass die Widerstandswerte sowohl von Graphen/Ecoflex B (angewendet nur mit dem Oberflächenbehandlungsdesign der ersten Stufe) als auch von Graphen/Ecoflex C (angewendet nur mit dem technischen Design der Grenzflächenmodifikation der zweiten Stufe) kleiner sind als die von Graphen/Ecoflex A, weil die Substrate von Ecoflex B/C entweder mit Ethanol modifiziert oder mit Petrolether getränkt wurden. Noch wichtiger ist, dass Graphen/Ecoflex D (angewendet mit beiden technischen Designs zur zweistufigen Grenzflächenmodifikation) den kleinsten Widerstandswert aufweist. Abbildung 1e zeigt die berechneten relativen Widerstandsänderungen (∆R/R0) dieser vier Arten von Graphen/Ecoflex-Sensoren. Die GF-Werte der Dehnungssensoren wurden unter Verwendung von (∆R/R0)/Dehnung ε berechnet. Die Probe aus Graphen/Ecoflex D weist die höchsten GF-Werte auf und verfügt über drei verschiedene Bereiche innerhalb des gesamten Erfassungsbereichs (mit den geschätzten durchschnittlichen GF-Werten von 21,0, 191,6 und 1078,1 im Dehnungsbereich von 0–200 %). 200–450 % bzw. 450–650 %. Die Verformungstests bei kleinen Dehnungen (ergänzende Abbildung 4) beweisen weiterhin, dass unser Sensor aufgrund seines hohen GF 1 % Mikrodehnung erkennen kann.

Ergänzende Abbildung 5 zeigt das Raman-Spektrum (WITec alpha300 R) und das Transmissionselektronenmikroskopbild (TEM, FEI Tecnai G2 F20) des in dieser Arbeit verwendeten Graphens, die bestätigen, dass das Graphen eine mehrschichtige Struktur aufweist. Die berechnete Defektdichte nD ist in der Ergänzenden Anmerkung 6 dargestellt und gibt einen Defektdichtewert von etwa 1,5867 × 1011 (cm−2) an. Ein Rasterkraftmikroskop (AFM, Bruker Dimension ICON) wurde verwendet, um eine Graphenflocke zu scannen. Das erhaltene AFM-Bild ist in der ergänzenden Abbildung 6 dargestellt. Aus der Querschnittslinie entlang der Höhe geht hervor, dass die Graphenflocke eine Dicke von ~ hat 1,5 nm und eine laterale Größe von ~1 μm.

Um die Mechanismen der Interface-Engineering-Strategie zu untersuchen, wurden Oberflächen- und Querschnittsmorphologien verschiedener Arten von Graphen/Ecoflex-Verbundwerkstoffen mithilfe eines Rasterelektronenmikroskops (REM, TESCAN Company) charakterisiert. Abbildung 2a zeigt die REM-Bilder der Oberflächenmorphologien des unbehandelten Substrats (Ecoflex A). Nach der ersten Oberflächenbehandlung weist die Oberfläche von Ecoflex B viele große Falten im Mikrometerbereich auf, wie in Abb. 2b und der ergänzenden Abb. 7 dargestellt. Diese Falten im Mikrometerbereich entstehen hauptsächlich, wenn sich das Ethanol schnell verflüchtigt, was zu einer unebene Oberflächenmorphologie37. Dies führt zu einer Vergrößerung der Oberfläche von Ecoflex und verbessert die Grenzflächenbindung zwischen Ecoflex und Graphen, wodurch mehr Graphen auf der Oberfläche von Ecoflex38 haftet. Der Verstärkungseffekt hängt stark mit der Diskretisierung des Grenzflächenkontakts zusammen, die als „Kontaktaufspaltung“ bezeichnet wird und über die weithin berichtet wird39,40,41,42. Querschnitts-REM-Morphologien verschiedener Graphen/Ecoflex-Verbundwerkstoffe können diese Annahme belegen, da die gebildete leitfähige, empfindliche Graphenschicht auf Ecoflex B (Abb. 2f) viel dicker ist als die von Ecoflex A (Abb. 2e). Diese Veränderungen der Mikrostruktur verringern den Widerstand erheblich und erhöhen die Leitfähigkeit des Verbundwerkstoffs.

REM-Aufnahmen von Oberflächen von a EcoflexA, b EcoflexB, c EcoflexC, d EcoflexD; REM-Bilder von Querschnittsmorphologien von e-Graphen/EcoflexA, f-Graphen/EcoflexB, g-Graphen/EcoflexC, h-Graphen/EcoflexD; REM-Bilder von Oberflächen für i Graphen/EcoflexA, j Graphen/EcoflexB, k Graphen/EcoflexC, l Graphen/EcoflexD.

Wenn nur die Interface-Engineering-Methode im zweiten Schritt angewendet wird, zeigt die Oberfläche von Ecoflex C viele nanoskalige Falten auf der Ecoflex-Oberfläche (Abb. 2c). Dies liegt daran, dass beim Tränken des Ecoflex mit Petrolether die Petrolethermoleküle in Polymere diffundieren, was zu Quelleffekten führt. Dies führt zur Bildung nanoskaliger Falten nach dem Schrumpfen43 und erhöht die Dicke der leitfähigen und empfindlichen Schicht auf der Oberfläche von Ecoflex (Abb. 2g) im Vergleich zu Ecoflex A (Abb. 2e) erheblich.

Wenn die Oberfläche des Ecoflex mithilfe der kombinierten Zwei-Schritte-Strategie bearbeitet wurde, bildeten sich hierarchisch mehrstufige Falten auf der Ecoflex-Oberfläche, wie in Abb. 2d dargestellt. Dadurch werden die spezifischen Oberflächen von Ecoflex erheblich vergrößert und die Adsorption von mehr Graphen verbessert, was zur Bildung einer dickeren leitfähigen, empfindlichen Graphenschicht auf dem Ecoflex D (Abb. 2h) und zu einem kleineren Widerstandswert und einer größeren Leitfähigkeit führt aus Graphen/Ecoflex-Verbundwerkstoff. Ergänzende Abbildung 8 vergleicht die Unterschiede der Dicke der leitfähigen Graphenschicht für verschiedene Proben bei unterschiedlichen Vergrößerungen. Abbildung 2i∼l zeigt die Oberflächenmorphologien verschiedener Graphen/Ecoflex-Verbundwerkstoffe, mit oder ohne Anwendung einer Interface-Engineering-Strategie. Die Ergebnisse zeigen, dass das auf dem mit unserer zweistufigen Strategie behandelten Ecoflex-Verbundwerkstoff adsorbierte Graphen in Form von sich selbst überlappenden Graphenflocken erscheint und somit eine gute Leitfähigkeit und Empfindlichkeit bietet.

Es gibt viele Studien zur Untersuchung der Sensormechanismen von Dehnungssensoren auf Graphenbasis44. Beispielsweise haben Hempel et al. berichteten, dass die Leitfähigkeit zwischen benachbarten Graphenflocken durch den Kontaktwiderstand und überlappende Bereiche beeinflusst wird. Nachdem die Belastung ausgeübt wurde, werden die benachbarten Flocken allmählich getrennt, wodurch die Perkolationswege unterbrochen werden und eine Singularität im Widerstands-Dehnungs-Verhalten entsteht45. Hassan et al. berichteten, dass sich der elektrische Widerstand des Graphen-Dehnungssensors aus folgenden Gründen veränderte: (a) die verringerten Überlappungsbereiche zwischen den Graphenflocken unter einer kleinen Dehnung; und (b) die sich ausbreitenden Risse im leitenden Netzwerk unter großer Belastung46.

Um den Erfassungsmechanismus für unseren Fall zu erklären, veranschaulichen wir den Erfassungsmechanismus basierend auf den Widerstandsänderungen bei Dehnungsprozessen für den Dehnungssensor aus Graphen/Ecoflex-Verbundwerkstoff, wie in Abb. 3a dargestellt. Der Dehnungserkennungsprozess kann in vier Schritte eingeteilt werden. (i) Es entstehen dichte und selbstüberlappende Graphenflocken in ihrem ursprünglichen Zustand. (ii) Mit zunehmender Dehnung kommt es zu einigen geringfügigen Veränderungen der sich selbst überlappenden Graphenflocken und zum Auftreten einiger Schlupf- und Verschiebungsbewegungen. Einige benachbarte Flocken werden nach und nach getrennt und verlieren so ihren engen Kontakt. Unter einer solchen Belastung kommt es zur Unterbrechung der Perkolationswege. (iii) Unter einer relativ großen Belastung umfassen die Phänomene die Ausdehnung und Trennung selbstüberlappender Graphenflocken sowie die Bildung von Lücken innerhalb der leitfähigen Graphenschicht. (iv) Schließlich kommt es zu starken Trennungen der zuvor überlappenden Graphenflocken und zur Bildung größerer Hohlräume in der Graphenschicht unter großer Belastung.

a Schematische Darstellung des Widerstandserfassungsmechanismus des Graphen/Ecoflex-Dehnungssensors während eines Dehnungsprozesses. Draufsicht-REM-Bilder des Graphen/Ecoflex-Dehnungssensors mit verschiedenen Dehnungen: b 0 %, c 50 %, d 100 % und e 125 %, f 300 % und g 600 %.

Um den Sensormechanismus weiter zu untersuchen, führten wir in der REM-Kammer In-situ-Zugtests durch, um die Morphologie des Graphens/Ecoflex unter verschiedenen Belastungen zu beobachten. Wir haben zunächst die angelegten Dehnungen von 0 % auf 125 % erhöht und die Dehnung aufgrund der Beschränkung der Ausrüstung auf 133 % begrenzt. Wir haben die Tests auch mit festen Zugdehnungen von 300 und 600 % durchgeführt. Die erhaltenen Ergebnisse sind in Abb. 3b–g dargestellt. Im ungedehnten Zustand des Sensors sind viele Graphenflocken überlappend und dicht auf der Oberfläche des Films gepackt (Abb. 3b), und so wird ein leitfähiges Netzwerk gebildet, das dem Verbundwerkstoff einen niedrigen Widerstand verleiht.

Wenn der Sensor einer geringen Belastung ausgesetzt ist (z. B. unter 125 %), werden die überlappenden Bereiche zwischen den Flocken verringert, wie in Abb. 3c – e dargestellt. Einige der Graphenflocken zeigten Schlupf und Verschiebungsbewegungen. Viele benachbarte Flocken werden nach und nach getrennt. Es kommt zur Unterbrechung der Perkolationswege, was zu einer Erhöhung des Widerstands führt. In diesem Stadium sind die Graphenflocken immer noch überlappend und hauptsächlich horizontal von der unteren zur oberen Schicht gestapelt, und es besteht immer noch ein guter Kontakt zwischen benachbarten Flocken. Daher sind die Perkolationswege der Graphenflocken effektiv. Die Widerstandsschwankung ist relativ gering und der GF-Wert des Sensors ist niedrig.

Bei Anwendung einer größeren Zugspannung, beispielsweise 300 % (Abb. 3f), werden die Graphenflocken erheblich getrennt und die Stapelmuster einiger Graphenflocken ändern sich von horizontalen zu vertikalen oder ungeordneten Mustern. Daher werden die ursprünglich überlappenden Graphenflocken dramatisch getrennt und die überlappenden Bereiche nehmen unter der großen Dehnung kontinuierlich ab, was zu einer erhöhten Dehnungsempfindlichkeit führt. In diesem Stadium entstehen einige Grate auf der Oberfläche des Dehnungssensors, die Hohlräume in der leitfähigen Graphenschicht verursachen. Diese beiden Gründe führen zu einer deutlichen Reduzierung der leitfähigen Kanäle und einer deutlichen Erhöhung der Dehnungsempfindlichkeit.

Wenn die Dehnung auf 600 % erhöht wird (Abb. 3g), werden die Graphenflocken stark getrennt und ungeordnet, und die Überlappungsbereiche zwischen den Flocken nehmen stark ab. Darüber hinaus wird der Film viel dünner und die Lücken innerhalb der leitfähigen Graphenschicht werden deutlich vergrößert. Diese führen zu einem deutlicheren Anstieg des Widerstands und einem bemerkenswert hohen GF-Wert.

Ergänzende Abbildung 3 zeigt die optimierten Parameter der Graphenkonzentrationen und NMP/Wasser-Verhältnisse für die Graphen/Ecoflex-Verbundsensoren. Die Ergebnisse zeigen, dass die optimale Graphenkonzentration ~4 mg/ml und das optimale NMP/Wasser-Verhältnis 1/4 beträgt. Diese Parameter wurden zur Vorbereitung der Sensoren gewählt.

Wir haben die Ergebnisse des Stroms im Vergleich zur Spannung (I–V) für den Dehnungssensor unter verschiedenen Belastungen gemessen. Wie in Abb. 4a gezeigt, zeigen alle IV-Kurven lineare Beziehungen, wenn der Sensor von seiner ursprünglichen Länge auf eine Dehnung von 140 % gedehnt wird, was zeigt, dass der Widerstand des Sensors bei Spannungsänderungen unter verschiedenen Dehnungen recht stabil bleibt von 0 bis 140 %. Die Steigungen dieser IV-Kurven nehmen mit zunehmender äußerer Belastung ab, da die Widerstandswerte mit zunehmender Belastung zunehmen.

a I-V-Kurven des Dehnungssensors bei verschiedenen Dehnungen von 0 bis 140 %. b Die Änderung des relativen Widerstands des Sensors während 12 Lade-Entlade-Zyklen unter verschiedenen Belastungen (50 %∼ 300 %). c Hysteresekurve des Sensors bei unterschiedlichen Belastungen. d Relative Widerstandsreaktion des Dehnungssensors bei verschiedenen Frequenzen unter einer Dehnung von 50 %. e Die zyklische Haltbarkeitskurve des Dehnungssensors bei 200 % Dehnung. f Die Echtzeit-R/R0-Kurve des Dehnungssensors bei Belastung mit unterschiedlichen Dehnungen. g Die Echtzeit-R/R0-Kurve des Dehnungssensors unter wiederholter Belastung mit 5 % Dehnungen und die entsprechende Reaktions- und Relaxationszeit.

Abbildung 4b zeigt Variationen der relativen Widerstände für den Graphen/Ecoflex-Dehnungssensor, die bei unterschiedlichen Zugdehnungen von 50, 100, 150, 200 und 300 % ausgeübt werden. Die Sensoren zeigen ein gutes Widerstandsverhalten und eine gute Dehnungsstabilität über einen weiten Dehnungsbereich (50–300 %). Abbildung 4c zeigt die entsprechenden Hysteresekurven des Sensors. Die Dehnungs- und Freigabekurven überlappen sich, wenn die Dehnung weniger als 200 % beträgt, was die vernachlässigbare Hysterese bei den Widerstandsänderungen unter verschiedenen mechanischen Belastungsbedingungen hervorhebt. Bei einer größeren Dehnung ε von 300 % ist die Hysterese relativ groß. Allerdings konnte der Widerstand nach dem Dehnen nahezu wieder auf seinen ursprünglichen Zustand zurückgeführt werden, was die gute Dehnbarkeit des vorgeschlagenen Sensors verdeutlicht. Die Bildung der Hysterese der Widerstandskurven ist hauptsächlich auf die unterschiedlichen Zeitskalen zurückzuführen, die mit dem Zusammenbruch und der Neubildung von Kontakten zwischen Graphenflocken innerhalb des Netzwerks verbunden sind, sowie auf die inhärente Hysterese, die mit der Elastomerbelastung verbunden ist47,48,49. Abb. 4d und ergänzende Abb. 9 zeigen die Frequenzgänge und Ausgangssignale des Dehnungssensors mit Frequenzen im Bereich von 0,05 bis 0,3 und bis 0,5 Hz bei einer Dehnung von 50 %. Die Ergebnisse zeigen deutlich, dass der Sensor im Frequenzbereich von 0,05 bis 0,5 Hz gute dynamische Eigenschaften aufweist. Mit zunehmender Frequenz sind die Spitzenschwankungen der relativen Widerstände nahezu gleich. Dies ist vor allem auf die gute Haftung und die dynamische Grenzflächenbindung hierarchischer Faltenmuster zwischen Graphen und Ecoflex zurückzuführen.

Um die Nachhaltigkeit und Langzeitstabilität zu bewerten, haben wir dasselbe Gerät mit einer maximalen Dehnung von ε = 200 % für 3000 Zyklen wiederholter Dehnungs-/Freigabevorgänge bei einer Dehnungs-Freigabe-Kehrgeschwindigkeit von 100 mm min−1 eingesetzt. Abbildung 4e zeigt, dass die elektrische Reaktion während des gesamten Ermüdungstests mit leichten Schwankungen reproduzierbar ist, was ihre gute Wiederholbarkeit, Stabilität und Haltbarkeit demonstriert. Bei einer Belastung von 300 % beim Hochladen kann der vorgeschlagene Sensor immer noch eine Signalamplitude bei wiederholter Belastung bis zu 1500 Zyklen beibehalten (ergänzende Abbildung 10).

Die Reaktionszeit des Sensors wurde auch mit einer Änderung der Belastungsdehnung in einer Reihenfolge von 0–5–10–15–20–25–0 % und auch mit einem schnellen, sich wiederholenden Reaktions- und Freigabevorgang bei einer festen Dehnung von 5 % ermittelt. Die erhaltenen Ergebnisse sind in Abb. 4f und g dargestellt. Die Reaktionszeit unseres entwickelten Dehnungssensors beträgt nur 140 ms (Abb. 4g). Aufgrund der Viskoelastizität und Hysterese ist die Freigabezeit etwas länger (~340 ms). Die scharfen Überschwinger werden beobachtet, wie in Abb. 4g gezeigt, was hauptsächlich auf die Zugspannungsentspannung unter der aufgebrachten Spannung zurückzuführen ist, die durch die Viskoelastizität des Ecoflex-Verbundwerkstoffs verursacht wird50,51,52.

Der Einfluss der Temperatur auf die Widerstandsänderungen wurde ebenfalls untersucht, und die erhaltenen Ergebnisse sind in der ergänzenden Abbildung 11 dargestellt. Die erhaltenen experimentellen Daten zeigen deutlich, dass die Temperatur geringfügige Änderungen des Widerstands verursachen kann. Im Vergleich zum Dehnungseffekt hat es keinen offensichtlichen Einfluss auf die Leitfähigkeit des Sensors. Wir gehen davon aus, dass die möglichen Methoden zur Minimierung oder Eliminierung des Temperatureinflusses folgende sein könnten: (1) die Verwendung eines Referenzgeräts oder (2) die Verwendung eines Wärmeisolationspakets.

Wir haben die Leistung verschiedener dehnbarer Dehnungssensoren vom Widerstandstyp, über die in der Literatur berichtet wird, mit der unserer Arbeit verglichen und die Ergebnisse sind in Tabelle 2 zusammengefasst. Unser hergestelltes Gerät weist eindeutig eine kombinierte gute Leistung mit hoher Dehnbarkeit, großer Empfindlichkeit und Schnelligkeit auf Reaktionszeit zugleich. Im Vergleich zu zuvor beschriebenen Methoden flexibler Dehnungssensoren hat unsere Methodik ihre Vor- und Nachteile. Bei dem vorgeschlagenen Verfahren handelt es sich hauptsächlich um eine Lösungsbehandlungsmethode, die keine teure Ausrüstung und/oder komplizierte Vorbereitungsprozesse erfordert. Darüber hinaus können durch die genaue Steuerung der Lösungskonzentration und der Behandlungsdauer problemlos Hochleistungsproben gewonnen werden. Obwohl die Empfindlichkeit unseres Sensors etwas geringer ist als die von Sensoren, die auf dem Mikrorissmechanismus28,30 basieren, ist der Erfassungsbereich unseres Sensors viel größer, was darauf hinweist, dass unser Gerät für ein breites Anwendungsspektrum sowohl bei großen als auch bei kleinen Dehnungsszenarien eingesetzt werden kann. Natürlich haben unser Sensor und sein Verfahren noch einige Einschränkungen. Erstens könnte unsere zweistufige Behandlungsmethode im Vergleich zu Behandlungen, die auf einer einstufigen Behandlung basieren, den Zeit- und Kostenaufwand für den Vorbereitungsprozess erhöhen. Darüber hinaus ist unsere Methode nicht IC-kompatibel. Schließlich zeigt der Dehnungssensor während seiner Verwendung Überschwinger, was hauptsächlich auf das Zugspannungs-Relaxations-Verhalten unter den angelegten Dehnungen zurückzuführen ist.

Der Sensor wurde an verschiedenen Körperteilen eines Freiwilligen angebracht, z. B. am Knöchel (Abb. 5a), am Handgelenk (Abb. 5b) und am Ellenbogen (ergänzende Abb. 12a), um Körperbewegungen zu überwachen. Abbildung 5a zeigt die Widerstandsänderungen durch die Bewegung des Zeigefingers. Beim Hochbeugen des Fingers erhöhten sich die Widerstände des Sensors. Eine weitere Biegung bis 90° würde zu einer deutlichen Erhöhung des Widerstandes führen. Die Ergebnisse in Abb. 5a zeigen eine gute Stabilität und Wiederholbarkeit der Daten. Wir haben außerdem ähnliche Messungen mit den am Handgelenk angebrachten Sensoren durchgeführt (Abb. 5b), und der Sensor zeigt bei kontinuierlicher Biegung gute wiederholbare Ergebnisse.

Der relative Widerstand ändert sich mit einer Beugung des Zeigefingers, b einer Beugung des Handgelenks, c einem Laut („Hallo“, „Morgen“ und „Nacht“), d subtilen Gesichtsausdrucksbewegungen (Lächeln und Öffnen und Schließen des Mundes). e Schematische Darstellung der Big-Data-Cloud-Überwachungsplattform. f Foto, das den am Bauch angebrachten Dehnungssensor zur Messung des Atemsignals zeigt. g Anzeigeschnittstelle der Big-Data-Plattform h Drei verschiedene Atemsignale eines Freiwilligen auf der Cloud-Datenplattform.

Der Dehnungssensor wurde außerdem am Hals eines Freiwilligen befestigt, um das Geräusch zu überwachen (Abb. 5c). Es kann verschiedene Lautwörter wie „Hallo“, „Morgen“ und „Nacht“ erkennen und die Antwortkurven weisen charakteristische Muster mit guter Wiederholbarkeit auf. Der Sensor kann auch geringfügige Unterschiede im Klang/der Aussprache wie „ziemlich“, „leise“ unterscheiden, wie in der ergänzenden Abbildung 13 dargestellt. Unsere Studien zeigen, dass der entwickelte Dehnungssensor ein großes Potenzial für das Training der unterstützten Sprachrehabilitation hat.

Dieser Dehnungssensor kann auch die Atem- und Schluckbewegungen des Freiwilligen erfassen (ergänzende Abbildung 12b). Wenn der Dehnungssensor in der Nähe der Wange angebracht wurde, kann er subtile Gesichtsausdrücke und Bewegungen erfassen (Abb. 5d), einschließlich Lächeln, Öffnen und Schließen des Mundes. Zur Überwachung winziger physiologischer Signale wurde der tragbare Dehnungssensor am Handgelenk eines Freiwilligen befestigt und die Handgelenkspulse sowohl unter Entspannungs- als auch unter Belastungsbedingungen gemessen. Die erhaltenen Ergebnisse sind in der ergänzenden Abbildung 12c dargestellt, die die signifikanten Unterschiede unter verschiedenen Bedingungen verdeutlicht.

Um die WIoT-Funktionalität und Echtzeit-, Fern- und Mehrbenutzerüberwachung zu demonstrieren, haben wir eine Daten-Cloud-Plattform entwickelt und unseren Sensor in die Daten-Cloud-Plattform integriert, um den Atemzustand des Menschen in Echtzeit für mehrere Benutzer aus der Ferne zu überwachen. Die schematische Darstellung der Big-Data-Cloud-Überwachungsplattform ist in Abb. 5e dargestellt. Der Atemstatus einer Person kann Symptome mehrerer schwerwiegender Krankheiten erkennen lassen (z. B. neuartige Coronavirus-Pneumonie wie COVID-19 und zentrale Schlafapnoe). Frühere Studien zur Echtzeitüberwachung basierten meist auf Wi-Fi oder Bluetooth, während unsere Echtzeit-Fernüberwachung auf einer Big-Data-Cloud-Plattform ohne Entfernungsbeschränkung basiert und auch von mehreren Benutzern problemlos aufgerufen werden kann. Abbildung 5f, g und das Zusatzvideo 1 zeigen die experimentellen Testergebnisse und zeigen, dass die auf unserem vorgeschlagenen Sensor basierende Wolkendatenplattform leicht Muster verschiedener Atemzustände wie normale Atmung, tiefe Atmung und abnormale Atmung über eine große Entfernung unterscheiden kann (Abb . 5h). Daher kann unser flexibler Dehnungssensor über große Entfernungen stabile und genaue Atemsignale erhalten und wichtige physiologische Daten des Herz-Kreislauf-Systems für die Überwachung und Bewertung der damit verbundenen Krankheiten liefern.

Um das Potenzial unserer entwickelten flexiblen Graphen/Ecoflex-Dehnungssensoren für Mensch-Maschine-Schnittstellenanwendungen weiter zu demonstrieren, wurde ein sensorintegrierter intelligenter Handschuh hergestellt und die entsprechende Schaltung entworfen und hergestellt. Dieser intelligente Handschuh kann Handgesten erkennen und den externen Manipulator in Echtzeit steuern. Die Ergebnisse sind in Abb. 6a dargestellt. Das System bestand aus vier Teilen: der Datenerfassungseinheit, der Datenverarbeitungseinheit, der Datenübertragungseinheit und der Steuereinheit. Die Datenerfassungseinheit bestand aus einer Spannungsteilerschaltung und fünf Analog-Digital-Wandlerkanälen (ADC), die die Widerstandssignale in Spannungssignale und dann in digitale Spannungsdaten umwandelten. An jedem Finger des Handschuhs wurden fünf Graphen/Ecoflex-Dehnungssensoren angebracht und mit der am Handschuh angebrachten Erfassungsschaltung verbunden. Beim Beugen oder Strecken des Fingers wurde der Widerstand des entsprechenden Dehnungssensors erfasst und erkannt. Die Datenverarbeitungseinheit bestand aus einer Hochleistungs-MCU (Mikrocontroller-Einheit), ausgestattet mit einem ATmega328P-Chip. Die MCU wurde von einer Batterie gespeist und lieferte einen Ausgang mit einer Anschlussspannung von 3,3 V. Die Datenübertragungseinheit bestand aus einem Bluetooth-Modul und einem RF-Modul, die Antwortdaten wurden über ein Bluetooth-Modul übertragen und drahtlos von einem PC aufgezeichnet. Die Steuereinheit umfasste ein drahtloses Hochfrequenzmodul, ein Controller-Modul (Arduino Nano) und einen Manipulator mit mehreren Motoren, der eine Reihe menschlicher Bewegungen nachahmte.

Ein Schaltplan, der die Signaltransduktion, -verarbeitung und die drahtlose Übertragung unter Verwendung von Graphen/Ecoflex-Dehnungssensoren zeigt, um Gestenerkennung und Gestensteuerung zu realisieren. b Fotos eines „Datenhandschuhs“, der mit den zusammengebauten Graphen/Ecoflex-Dehnungssensoren ausgestattet ist, um eine Reihe von Gesten auszuführen, und der relativen Widerstandsänderungen jedes Dehnungssensors beim Ausdrücken der Buchstaben „A“, „B“, „E“, „H“. ' 'R' und 'Y'. c Fotos zur Gestensteuerung. d Schematische Darstellung eines intelligenten Handschuh- und Pedrail-Roboters und Steuerungsprozesses. e Fotografien der Bewegungsbahn des Pedrail-Roboters und des Fadenabschneidevorgangs.

Wir haben die Handgestenerkennung mithilfe des Graphen/Ecoflex-Dehnungssensors demonstriert. Sechs Handgesten, die aus Gebärdensprachen stammen, wurden angewendet, um die Zeichen „A“, „B“, „E“, „H“, „R“ und „Y“ darzustellen, wie in Abb. 6b dargestellt. Diese sechs Gebärdensprachezeichen können anhand der Reaktionskurven der fünf Graphen/Ecoflex-Dehnungssensoren leicht erkannt und dargestellt werden. Dies verdeutlicht das große Anwendungspotenzial bei der Gebärdenspracherkennung, das für hörgeschädigte Menschen von Vorteil ist.

Die Graphen/Ecoflex-Dehnungssensoren wurden außerdem in ein drahtlos gesteuertes, interaktives Mensch-Roboter-System integriert. Fünf Dehnungssensoren wurden auf einem dünnen Handschuh montiert und mit einem Einplatinen-Mikrocontroller verbunden, wie in Abb. 6c und dem Zusatzvideo 2 dargestellt. Wir haben die dynamischen Steuerungs- und Mehrkanal-Sensorfunktionen erfolgreich demonstriert und die möglichen Anwendungen im menschlichen Körper nachgewiesen. interaktive Robotersysteme.

Schließlich haben wir ein Fernsteuerungssystem zur Bombenentschärfung entwickelt, bei dem die Bewegungen des Pedrail-Roboters drahtlos erfolgten und von einem dreiachsigen Trägheitssensor gesteuert wurden. Unser Dehnungssensor wurde an einem Handschuhfinger befestigt, um den Befehl zur Bombenentschärfung mit einer Schere auszuführen, wie in Abb. 6d dargestellt. Insbesondere wurde der Pedrail-Roboter angetrieben, um Hindernissen auszuweichen und einen Zielort durch Handbewegungen zu erreichen, während das Stromkabel der Bombenattrappe mit der Schere durch einfaches Biegen des Fingers durchtrennt wurde (Abb. 6e und Zusatzvideo 3), wodurch das angezeigt wurde große Anwendungsaussichten in intelligenten Fahrzeugen, die für die Fernunterstützung bei extremen und gefährlichen Aufgaben im militärischen Bereich oder für gefährdete Gruppen wie Behinderte und ältere Menschen konzipiert sind.

In dieser Studie haben wir eine Methodik vorgeschlagen, bei der multiskalige und hierarchische Falten auf einem flexiblen Substrat moduliert werden, um sie in Dehnungssensoren auf Basis von Graphen/Ecoflex-Verbundwerkstoffen zu integrieren. Das optimierte Design und die optimierte Fertigung verleihen dem Sensor eine ultrahohe Empfindlichkeit mit einem GF von 1078,1, eine große Dehnbarkeit von bis zu 650 %, eine schnelle Reaktion mit einer Zeit von ~140 ms und eine hervorragende Zyklenbeständigkeit. Der Sensor kann ein breites Spektrum physiologischer Signale erkennen, darunter kräftige Körperbewegungen, Pulsüberwachung und Spracherkennung. Wir haben die vorgeschlagenen Sensoren zur Fernüberwachung der Atmung für mehrere Benutzer in Echtzeit mithilfe einer Cloud-Plattform eingesetzt und ihr großes Potenzial im tragbaren Gesundheits-Internet der Dinge aufgezeigt. Komplexe Gesten und Gebärdensprachen konnten mit unserem Sensor problemlos erkannt werden. Darüber hinaus demonstrierten wir die Mensch-Maschine-Schnittstelle, indem wir einen sensorbasierten Handschuh zur Fernsteuerung eines externen Manipulators verwendeten und die Funktion der Fernentschärfung einer Bombe realisierten. Unsere Ergebnisse geben Aufschluss über die Anwendung von medizinischer Echtzeit- und Ferndiagnose und Fernunterstützung zur Durchführung gefährlicher Aufgaben im Militär- und Industriebereich.

Die Materialeigenschaften des in dieser Arbeit verwendeten Graphens wurden mit einem Raman-Spektroskop (WITec alpha300 R) und einem Transmissionselektronenmikroskop (TEM, FEI Tecnai G2 F20) charakterisiert. Die durchschnittliche Blattgröße der Graphenflocken wurde mit einem Rasterkraftmikroskop (AFM, Bruker Dimension ICON) gemessen. Die Querschnittsmorphologie und Oberflächentopographie von Graphen/Ecoflex-Proben wurden mit einem Rasterelektronenmikroskop (SEM, TESCAN Company) charakterisiert. Die Zugspannungs-Dehnungsmessung der Graphen/Ecoflex-Verbundwerkstoffe wurde bei Raumtemperatur mit einer Zugprüfmaschine (ZQ-990A) bei einer Belastungsgeschwindigkeit von 5 mm s−1 und einem Klemmabstand von 1 cm durchgeführt. Die elektrischen Signale der Sensoren wurden mit einem Quellenmessgerät Keithley 2611B gemessen.

Die vorgeschlagenen Graphen/Ecoflex-Dehnungssensoren wurden mit medizinischen Klebebändern an verschiedenen Stellen (z. B. Handgelenk, Knöchel, Ellenbogen, Bauch, Hals und Gesicht) eines Freiwilligen befestigt. Gelenkbewegungen und mechanische Signale der Hautverformung wurden mithilfe des Graphen/Ecoflex-Dehnungssensors mit dem Quellenmessgerät Keithley 2611B erfasst.

An jedem Finger eines Handschuhs wurden fünf flexible Graphen/Ecoflex-Sensoren angebracht und mit der Erfassungsschaltung verbunden. Die Antwortdaten wurden über fünf ADC-Kanäle gesammelt und drahtlos über ein HC-05-Bluetooth-Modul an den Computer übertragen. Die Daten wurden durch charakteristisches Engineering verarbeitet, um die Handgesten zu überwachen. Zur Echtzeitsteuerung externer Manipulatorsysteme wurden die Antwortdaten jedes Sensors mithilfe eines dafür vorgesehenen Chips erfasst (der die Zustände der fünf Finger widerspiegelt) und dann drahtlos an einen Computer übertragen. Die jeweiligen Motoren des Roboterarms wurden basierend auf einem Schwellenwertalgorithmus mithilfe des sensorintegrierten Handschuhs drahtlos aktiviert.

Um die WIoT-Funktionalität und Echtzeit-, Fern- und Mehrbenutzerüberwachung zu demonstrieren, haben wir eine Daten-Cloud-Plattform entwickelt, um eine Echtzeitüberwachung der menschlichen Atmung zu erreichen. Im Vergleich zur Verwendung einer Bluetooth- oder WiFi-basierten Echtzeitüberwachung (die normalerweise eine Entfernungsbeschränkung aufweist) kann die Cloud-Plattform-Überwachung in dieser Studie tatsächlich eine Fernüberwachung realisieren, die im World Wide Web ohne Entfernungsbeschränkungen über einen längeren Zeitraum hinweg realisiert werden kann da die Benutzer über eine Internetverbindung verfügen. Ein weiterer Vorteil besteht darin, dass mehrere Benutzer weltweit auf die Daten zugreifen können. Bei dieser Arbeit befestigten wir unseren hergestellten Sensor am Bauch des Freiwilligen, um die Atmung aus der Ferne zu überwachen. Die erhaltenen Daten wurden mithilfe von Spannungsteilerschaltungen, A/D-Umwandlungs- und Signalverarbeitungsmodulen analysiert, dann zur Speicherung an die Datenbank gesendet und weiter an eine von uns erstellte Cloud-Plattform übertragen. Die Daten wurden in Echtzeit auf der Cloud-Plattform-Schnittstelle angezeigt und die Mehrbenutzer konnten die Daten in Echtzeit durch Fernzugriff über URL-Links (Uniform Resource Locator) anzeigen.

Zur Demonstration der ferngesteuerten Bombenentschärfung wurde unser flexibler Dehnungssensor mit einem dreiachsigen Trägheitssensor kombiniert, um Fingerbeugungsbewegungen und dreidimensionale Bewegungen des Arms einer Person zu erfassen. Die Daten des am Körper getragenen und dreiachsigen Trägheitssensors wurden verwendet, um die Bewegungen des Pedrail-Roboters (Vorwärtsbewegung, Rückbewegung, Linksdrehung und Rechtsdrehung) und die Bewegungen des Roboterarms sowie die Auswahl zur Steuerung des Pedrails drahtlos zu steuern Roboter oder Roboterarm wurde über einen Kanalschalter bedient. Der flexible Graphen/Ecoflex-Dehnungssensor wurde am Zeigefinger des obigen Handschuhs angebracht, und die Reaktionsdaten des flexiblen Sensors können drahtlos an einen Motor im Roboterarm übertragen werden, wodurch die Funktion der Bombenentschärfung realisiert wird.

Die Daten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Fan, W. et al. Maschinengestricktes, waschbares Sensorarray-Textil zur präzisen epidermalen physiologischen Signalüberwachung. Wissenschaft. Adv. 6, eaay2840 (2020).

Artikel CAS Google Scholar

Kim, KK et al. Ein tief erlernter Hautsensor, der die epizentralen menschlichen Bewegungen dekodiert. Nat. Komm. 11, 2149 (2020).

Artikel CAS Google Scholar

Won, P. et al. Transparente weiche Aktuatoren/Sensoren und Tarnhäute für nicht wahrnehmbare weiche Robotik. Adv. Mater. 33, 2002397 (2021).

Artikel CAS Google Scholar

Huang, Y. et al. Programmierbarer robotergestützter „Transfer-and-Jet“-Druck für große, 3D-gekrümmte Elektronik auf komplexen Oberflächen. Int. J. Extrem. Hersteller 3, 045101 (2021).

Artikel CAS Google Scholar

Zhang, W., Zhang, L., Liao, Y. & Cheng, H. Konforme Herstellung weich verformbarer Sensoren auf der gekrümmten Oberfläche. Int. J. Extrem. Hersteller 3, 042001 (2021).

Artikel CAS Google Scholar

Wang, C. et al. Karbonisiertes Seidengewebe für ultradehnbare, hochempfindliche und tragbare Dehnungssensoren. Adv. Mater. 28, 6640–6648 (2016).

Artikel CAS Google Scholar

Chen, L. et al. Textilbasierter kapazitiver Sensor für die körperliche Rehabilitation durch Oberflächentopologiemodifikation. ACS Nano 14, 8191–8201 (2020).

Artikel CAS Google Scholar

Xu, J. et al. Ein hochempfindlicher flexibler Dehnungssensor auf Graphit-Nanoplättchenbasis. Kohlenstoff 166, 316–327 (2020).

Artikel CAS Google Scholar

Yang, Y., Shi, L., Cao, Z., Wang, R. & Sun, J. Dehnungssensoren mit hoher Empfindlichkeit und großem Erfassungsbereich basierend auf einem Ti3C2Tx (MXene)-Nanopartikel-Nanoblatt-Hybridnetzwerk. Adv. Funktion. Mater. 29, 1807882 (2019).

Artikel CAS Google Scholar

Liu, Z. et al. Hoch atmungsaktive und dehnbare Dehnungssensoren mit unempfindlicher Reaktion auf Druck und Biegung. Adv. Funktion. Mater. 31, 2007622 (2021).

Artikel CAS Google Scholar

Dong, C. et al. Hocheffiziente superelastische triboelektrische Fasern und Textilien auf Flüssigmetallbasis. Nat. Komm. 11, 3537 (2020).

Artikel CAS Google Scholar

Gogurla, N., Roy, B., Park, J.-Y. & Kim, S. Hautkontaktbetätigter triboelektrischer Einzelelektroden-Protein-Nanogenerator und Dehnungssensor für biomechanische Energiegewinnung und Bewegungserkennung. Nano Energy 62, 674–681 (2019).

Artikel CAS Google Scholar

Huo, Z. et al. Hochleistungsfähige Sb-dotierte p-ZnO-NW-Filme für energieautarke piezoelektrische Dehnungssensoren. Nano Energy 73, 104744 (2020).

Artikel CAS Google Scholar

Ahn, S. et al. Tragbare Multimode-Sensoren mit verstärkter Piezoelektrizität aufgrund der multilokalen Belastung unter Verwendung einer 3D-Textilstruktur zur Erkennung menschlicher Körpersignale. Nano Energy 74, 104932 (2020).

Artikel CAS Google Scholar

Chen, S., Song, Y., Ding, D., Ling, Z. & Xu, F. Flexibler und anisotroper Dehnungssensor basierend auf karbonisiertem Krepppapier mit ausgerichteten Zellulosefasern. Adv. Funktion. Mater. 28, 1802547 (2018).

Artikel CAS Google Scholar

Cai, Y. et al. Dehnbarer Dehnungssensor auf Ti3C2Tx-MXene/Kohlenstoff-Nanoröhrchen-Verbundbasis mit ultrahoher Empfindlichkeit und einstellbarem Erfassungsbereich. ACS Nano 12, 56–62 (2018).

Artikel CAS Google Scholar

Boland, CS et al. Empfindliche, hochbelastbare und hochfrequente Körperbewegungssensoren auf Basis von Graphen-Gummi-Verbundwerkstoffen. ACS Nano 8, 8819–8830 (2014).

Artikel CAS Google Scholar

Huang, J. et al. Faltenfähige, hoch dehnbare Dehnungssensoren für eine umfassende Gesundheitsüberwachung mit einer Big-Data-Cloud-Plattform. ACS-Appl. Mater. Schnittstellen 12, 43009–43017 (2020).

Artikel CAS Google Scholar

Wang, S. et al. Auf Netzwerkrissen basierende tragbare Dehnungssensoren zur Erkennung subtiler und großer Dehnungen menschlicher Bewegungen. J. Mater. Chem. C. 6, 5140–5147 (2018).

Artikel CAS Google Scholar

Kim, A., Ahn, J., Hwang, H., Lee, E. & Moon, J. Eine Vorspannungsstrategie zur Entwicklung eines hoch dehnbaren und faltbaren eindimensionalen leitfähigen Kabels basierend auf einem Ag-Nanodrahtnetzwerk. Nanoscale 9, 5773–5778 (2017).

Artikel CAS Google Scholar

Wang, X. et al. Ein hoch dehnbarer faserförmiger Dehnungssensor aus Kohlenstoffnanoröhren/thermoplastischem Polyurethan mit poröser Struktur zur Überwachung menschlicher Bewegungen. Kompositionen. Wissenschaft. Technol. 168, 126–132 (2018).

Artikel CAS Google Scholar

Huang, C.-B. et al. Hochempfindliche Dehnungssensoren auf Basis von Molekül-Gold-Nanopartikel-Netzwerken für die hochauflösende menschliche Pulsanalyse. Klein 17, e2007593 (2021).

Artikel CAS Google Scholar

Shi, Adv. Funktion. Mater. 28, 1800850 (2018).

Artikel CAS Google Scholar

Qu, M. et al. Biokompatibler, flexibler Dehnungssensor, hergestellt aus Polydopamin-beschichteten Nanokompositen aus Nitrilkautschuk und Ruß. ACS-Appl. Mater. Schnittstellen 12, 42140–42152 (2020).

Artikel CAS Google Scholar

Ma, J. et al. Hochempfindlicher Dehnungssensor mit großer Reichweite und selbstkompensierender Struktur zweier Ordnung zur Erkennung menschlicher Bewegungen. ACS-Appl. Mater. Schnittstellen 11, 8527–8536 (2019).

Artikel CAS Google Scholar

Wang, Y. et al. Extrem dehnbare, empfindliche und langlebige Dehnungssensoren auf Basis von Polydopamin-verkapselten Kohlenstoffnanoröhren/elastischen Bändern. J. Mater. Chem. C. 6, 8160–8170 (2018).

Artikel CAS Google Scholar

Liu, Q., Chen, J., Li, Y. & Shi, G. Hochleistungs-Dehnungssensoren mit fischschuppenähnlichen Graphen-Sensorschichten zur umfassenden Erkennung menschlicher Bewegungen. ACS Nano 10, 7901–7906 (2016).

Artikel CAS Google Scholar

Amjadi, M., Turan, M., Clementson, CP & Sitti, M. Parallele, auf Mikrorissen basierende ultraempfindliche und hochdehnbare Dehnungssensoren. ACS-Appl. Mater. Schnittstellen 8, 5618–5626 (2016).

Artikel CAS Google Scholar

Kim, K.-H., Jang, N.-S., Ha, S.-H., Cho, JH & Kim, J.-M. Hochempfindliche und dehnbare Widerstandsdehnungssensoren auf Basis mikrostrukturierter Metall-Nanodraht-/Elastomer-Verbundfilme. Klein 14, 1704232 (2018).

Artikel CAS Google Scholar

Chen, S. et al. Säureschnittstellentechnik von Kohlenstoffnanoröhren/Elastomeren mit erhöhter Empfindlichkeit für dehnbare Dehnungssensoren. ACS-Appl. Mater. Schnittstellen 10, 37760–37766 (2018).

Artikel CAS Google Scholar

Nur, R. et al. Ein hochempfindlicher kapazitiver Dehnungssensor mit faltigen, ultradünnen Goldfilmen. Nano Lett. 18, 5610–5617 (2018).

Artikel CAS Google Scholar

Park, S.-J., Kim, J., Chu, M. & Khine, M. Hochflexibler dünnschichtiger Dehnungssensor aus faltigen Kohlenstoffnanoröhren zur Überwachung menschlicher Bewegungen. Adv. Mater. Technol. 1, 1600053 (2016).

Artikel CAS Google Scholar

Agarwala, S. et al. Tragbarer bandagebasierter Dehnungssensor für die häusliche Gesundheitsversorgung: Kombination von 3D-Aerosolstrahldruck und Lasersintern. ACS Sens. 4, 218–226 (2019).

Artikel CAS Google Scholar

Pegan, JD et al. Auf der Haut montierbarer Dehnungssensor zur tragbaren Gesundheitsüberwachung. Nanoscale 8, 17295–17303 (2016).

Artikel CAS Google Scholar

Xue, P., Chen, C. & Diao, D. Hochempfindlicher flexibler Dehnungssensor basierend auf einem Graphen-Nanokristallit-Kohlenstofffilm mit Faltenstrukturen. Kohlenstoff 147, 227–235 (2019).

Artikel CAS Google Scholar

Chu, Z. et al. Superhydrophober Gradienten-Falten-Dehnungssensor mit ultrahoher Empfindlichkeit und großem Dehnungsbereich zur Bewegungsüberwachung. J. Mater. Chem. A 9, 9634–9643 (2021).

Artikel CAS Google Scholar

Zhang, Q. et al. Durch schnelle Verflüchtigung induzierte mechanisch robuste formverändernde Strukturen für den 4D-Druck. ACS-Appl. Mater. Schnittstellen 12, 17979–17987 (2020).

Artikel CAS Google Scholar

Hu, X., Dou, Y., Li, J. & Liu, Z. Schnallenstrukturen: Herstellung und Anwendungen in tragbarer Elektronik. Klein 15, 1804805 (2019).

Artikel CAS Google Scholar

Chan, EP, Smith, EJ, Hayward, RC & Crosby, AJ Oberflächenfalten für intelligente Haftung. Adv. Mater. 20, 711–716 (2008).

Artikel CAS Google Scholar

Kamperman, M., Kroner, E., del Campo, A., McMeeking, RM & Arzt, E. Funktionelle Klebeflächen mit „Gecko“-Effekt: Das Konzept der Kontaktspaltung. Adv. Ing. Mater. 12, 335–348 (2010).

Artikel CAS Google Scholar

Chan, EP, Greiner, C., Arzt, E. & Crosby, AJ entwerfen Modellsysteme für verbesserte Haftung. Frau Bull. 32, 496–503 (2007).

Artikel Google Scholar

Rahmawan, Y., Chen, CM & Yang, S. Jüngste Fortschritte bei der faltenbasierten Trockenhaftung. Soft Matter 10, 5028–5039 (2014).

Artikel CAS Google Scholar

Tanaka, T. et al. Mechanische Instabilität von Gelen beim Phasenübergang. Nature 325, 796–798 (1987).

Artikel CAS Google Scholar

Yang, Z. et al. Gleichzeitige Erkennung subtiler und intensiver menschlicher Bewegungen basierend auf einem mit Silbernanopartikeln verbrückten Graphen-Dehnungssensor. ACS-Appl. Mater. Schnittstellen 10, 3948–3954 (2018).

Artikel CAS Google Scholar

Hempel, M., Nezich, D., Kong, J. & Hofmann, M. Eine neuartige Klasse von Dehnungsmessstreifen basierend auf geschichteten perkolativen Filmen aus 2D-Materialien. Nano Lett. 12, 5714–5718 (2012).

Artikel CAS Google Scholar

Hassan, G. et al. Tintenstrahlgedruckter dehnbarer Dehnungssensor basierend auf Graphen/ZnO-Komposit auf mikrozufällig geriffeltem PDMS-Substrat. Kompositionen. Teil A Appl. Wissenschaft. Hersteller 107, 519–528 (2018).

Artikel CAS Google Scholar

Muth, JT et al. Eingebetteter 3D-Druck von Dehnungssensoren in hochdehnbaren Elastomeren. Adv. Mater. 26, 6307–6312 (2014).

Artikel CAS Google Scholar

Choi, DY et al. Hoch dehnbarer, hysteresefreier Dehnungssensor auf Ionenflüssigkeitsbasis für die präzise Überwachung menschlicher Bewegungen. ACS-Appl. Mater. Schnittstellen 9, 1770–1780 (2017).

Artikel CAS Google Scholar

Stübler, N., Fritzsche, J. & Klüppel, M. Mechanische und elektrische Analyse der Rußvernetzung in Elastomeren unter Belastung. Polym. Ing. Wissenschaft. 51, 1206–1217 (2011).

Artikel CAS Google Scholar

Wang, S., Wang, P. & Ding, T. Widerstandsviskoelastizität von Silikonkautschuk/Ruß-Verbundwerkstoff. Polym. Kompositionen. 32, 29–35 (2011).

Artikel CAS Google Scholar

Ehrburger-Dolle, F. et al. Experimentelle Hinweise zur Weichglasrheologie in gespannten gefüllten Elastomeren. J. Polym. Sci.: Teil B:Polym. Physik. 52, 647–656 (2014).

Artikel CAS Google Scholar

Jeong, YR et al. Hochdehnbare und empfindliche Dehnungssensoren mit fragmentiertem Graphenschaum. Adv. Funktion. Mater. 25, 4228–4236 (2015).

Artikel CAS Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom NSFC (Nr. 52075162), dem Programm für neue und High-Tech-Industrie der Provinz Hunan (2020GK2015), dem Joint Fund Project des Bildungsministeriums, dem Excellent Youth Fund der Provinz Hunan (2021JJ20018) unterstützt. das Key Research & Development Program der Provinz Guangdong (2020B0101040002), die Natural Science Foundation of Changsha (kq2007026), das Engineering Physics and Science Research Council of UK (EPSRC EP/P018998/1) und das International Exchange Grant (IEC/NSFC/201078). ) durch die Royal Society und die NSFC.

Hochschule für Maschinenbau und Fahrzeugtechnik, Hunan-Universität, Changsha, 410082, China

Jian Zhou, Xinxin Long, Jian Huang, Caixuan Jiang, Fengling Zhuo, Chen Guo und Huigao Duan

Nationales Zentrum für Nanowissenschaften und Technologie, Peking, 100190, China

Honglang Li

Fakultät für Ingenieurwesen und Umwelt, Northumbria University, Newcastle upon Tyne, NE1 8ST, Vereinigtes Königreich

YongQing Fu

Greater Bay Area Institute for Innovation, Hunan University, Guangzhou, 511300, Provinz Guangdong, China

Huigao Duan

Sie können diesen Autor auch in PubMed Google Scholar suchen

JZ und XL konzipierten die Idee der Studie, führten Experimente durch, trugen zur experimentellen Analyse bei und schrieben das Manuskript, JH trug zur experimentellen Analyse bei, CJ führte Experimente zur Echtzeitsteuerung externer Manipulatoren durch, FZ trug zur Materialcharakterisierung bei und war beteiligt beim Zeichnen der Diagramme trug CG zur Cloud-Plattform-Überwachung bei, HL trug zur Ausleseschaltung des Sensors bei, YF trug zur Datenanalyse, Sprache und zum Verfassen von Papieren bei, HD stellte die experimentelle Plattform bereit, trug zur experimentellen Analyse bei und schrieb das Manuskript.

Korrespondenz mit Huigao Duan.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Zhou, J., Long, X., Huang, J. et al. Multiskalige und hierarchische, faltenverstärkte Graphen/Ecoflex-Sensoren, integriert mit Mensch-Maschine-Schnittstellen und Cloud-Plattform. npj Flex Electron 6, 55 (2022). https://doi.org/10.1038/s41528-022-00189-1

Zitat herunterladen

Eingegangen: 19. Januar 2022

Angenommen: 08. Juni 2022

Veröffentlicht: 05. Juli 2022

DOI: https://doi.org/10.1038/s41528-022-00189-1

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt