基于等离子体处理还原氧化石墨烯的柔性应力传感器制备及其性能研究

来源 :电子科技大学 | 被引量 : 0次 | 上传用户:wyzxfjjx
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
柔性可穿戴传感器可实现各种情况下的实时人体信号采集,在物联网发展迅速的现代社会起到至关重要的作用。基于石墨烯的新型柔性力学传感器具有良好的生物相容性和优异的电化学性能,且容易通过结构工程进行各种优化设计,但针对各种应用场景的性能优化方案和制备方法还需要更深入的研究。为了探究具有更高敏感度、稳定性和可拉伸范围的柔性石墨烯应力传感器的制备方法,本文利用H2-N2等离子体处理氧化石墨烯(GO),同时实现对GO的还原和表面改性,以提高石墨烯的电化学性能,同时通过微图形化方案、引入微结构等手段实现器件的优化设计,提高器件的应变响应范围、可靠性及灵敏度,获得了环境友好、高效方便,性能较优良的新型石墨烯柔性应力传感器的制备方法,初步实现了其在人体生理信号检测中的应用。测试结果表明,等离子处理工艺制备的氮掺杂还原氧化石墨烯(N-rGO)具有良好的力电性能和较少的表面缺陷,且可运用于微图案化石墨烯薄膜的还原制备。结合抽滤转移和等离子处理制备的N-rGO薄膜在0.25%-1%应变下GF达到~44-100。利用经过光刻、干法刻蚀硅模板,倒模制得的PDMS印章,结合微接触印刷工艺和等离子处理还原,成功制备了完整平整的厚度2μm左右线宽10μm的网格状N-rGO薄膜,通过拉曼表征证明了使用H2-N2等离子体处理的N-rGO在还原过程中石墨结构得到恢复;力电测试表明,基于具有微图案的石墨烯传感器在微小应变下具有较好的灵敏度(GF~8-23,0.1%-0.25%应变),对比基于相近厚度的无微图案N-rGO薄膜的传感器,GF有所提升,且可在0.25%的应变下持续稳定地工作。基于简单的刷涂和刮涂工艺,将石墨烯导电材料填充进具有表面微结构的PDMS基底内,制备得到基于微结构的石墨烯柔性传感器。测试结果表明,这种微结构设计有效优化了应力传感器的可拉伸性能,拓宽了其应用范围。在1%-10%应变下GF达到~13-21,20%应变下GF达到~95。在此基础上,设计制备了基于微納结构的石墨烯双通道多态应力传感器,通过测试分析优化了传感器的结构,将其用于人体手部动作的监测,并分析了其工作原理。实验结果表明,传感器在手腕弯曲、握拳、外力按压,及手掌伸展等状况下两个输出端的电阻上升下降趋势完全不同,可通过测试结果容易地完成复杂受力情况下的机械刺激感测和受力类型分辨。
其他文献
在目前信息时代高速发展和科技水平发展脚步加快的趋势下,磁场传感器给人类生活带来了便利,提高了生产力的效率,在现代生活发展上也起到了显著的推动作用。在众多传感器中,基于各向异性磁电阻(Anisotropic Magnetoresistance,AMR)的角度传感器是目前在磁性传感器中研究的热门,因为其具备较高灵敏度,能在恶劣环境下工作,集成度高且成本低等优势。随着传感器制备水平的提高,目前商业化Ni
基于物联网技术发展的需求,磁传感器作为一种非接触式感知元器件,已日益不可或缺。其中,基于巨磁阻效应(Giant Magnetic Resistance,简称GMR)的GMR传感器因其尺寸小、功耗低、性能稳定、易于集成等优势,吸引着各国科研人员的广泛关注与研究。本研究针对目前巨磁阻单极开关开关场可调节范围小的问题,提出了双钉扎自旋阀结构,利用交换偏置场易于调整,以可调交换偏置场替代只能在较小范围内改
随着信息时代的到来,物联网技术越来越受到关注。磁传感器作为其应用中重要的载体之一,受到广大科研工作者的关注。磁传感器的压磁系数是一个关键指标,决定了其应用价值和范围,主要是由磁性材料的本征参数所决定。其中,磁电复合材料由于具有较好的磁电耦合特性而被作为磁传感器的磁敏组元。本论文主要研究具有良好的压磁系数的磁致伸缩材料及其与PZT压电陶瓷的复合手段,并对基于得到的磁电复合材料进行了磁敏组元的设计,从
在电磁理论中,格林函数表示单位强度空间某处的点源在一定边界条件下产生的响应(场量)。常用的具有解析形式的格林函数只有在一些特定的边界条件下才能得到,如自由空间格林函数或半空间格林函数等。对于更一般的复杂边界条件,格林函数只能通过数值方法求解得到,即数值格林函数。传统求解数值格林函数的方法包括有限元法、时域有限差分法和矩量法等。利用这些数值方法求解的数值格林函数一般表达为矩阵形式,其运算量与所需存储
近年来,由于声表面波(surface acoustic wave,SAW)传感器具有无线无源、体积小等特点被研究者们广泛关注。特别是在工业生产、航空航天等领域的极端恶劣如高温高压等环境中,SAW传感器拥有广泛的应用前景。但是,极端环境对SAW传感器的稳定性来说是一种挑战,目前成熟的SAW温度传感器最高能够工作在600°C左右,这还远不及上述应用场景下的要求。因此,需有必要研制一种能够稳定地工作于极
人工神经网络作为机器学习中的一个重要分支,随着深度学习的发展,在计算机视觉,自然语言处理等人工智能领域得到广泛应用,使用基于神经网络的方法在这些领域的表现已经逼近或超越人类。为了获得更加准确的决策,人们使用更大的数据集和更加复杂的网络结构,使得神经网络需要更长的训练和推理时间,传统通用芯片如CPU,GPU等显得效率不足。根据神经网络的特点在芯片体系结构上进行定制设计的专用芯片具有更高的效率,更加适
卷积神经网络(Convolutional Neural Network,CNN)是深度学习领域最重要的神经网络之一,被广泛地应用于图像处理和目标识别等方面。随着卷积神经网络层数的不断加深,结果不仅没有变得更好,反而出现了网络退化的问题。为了解决这个问题,He Kai Ming提出了残差神经网络(Residual Neteork,ResNet)。通过在网络中的不同层之间进行残差连接使得网络更容易实现
随着硬件计算能力的不断提升以及算法模型的快速更新迭代,人工智能技术在实际生活中拥有广泛的应用。以深度卷积神经网络(Convolutional Neural Network,CNN)为代表的数学模型在语义分割、语义识别、目标检测等计算机视觉领域有着极佳的性能表现。卷积神经网络是一种计算密集型高效算法,目前主要采用通用处理器CPU或GPU完成算法的反向训练和前向推理过程。但是,面对实际应用场景对于硬件
硬件特洛伊木马(Hardware Trojans,简写HTs)是指在芯片设计或制造过程中,在非授权情况下对原始电路进行有目的的修改或篡改,以达到在无条件或者在某种特定触发条件下实现改变系统功能,泄露机密情报或摧毁电路的目的。在Moore定律和Dennard缩放比例定律的指导下,芯片的集成度越来越高。在超大规模集成电路中,单个芯片可以容纳上亿个晶体管。随着IC(Integrated Circuit,
神经网络是人工智能算法的一个重要分支,这种算法具有统一的结构,更换权值即可实现不同的任务,同时权值还可以通过自动的训练获得。这些特性使神经网络可以广泛应用在很多领域,如机器视觉、自然语言处理、加密解密等。但是神经网络具有运算消耗算力大的特点,因此构造一种可以高效处理神经网络算法的推理任务的加速器非常有必要。本文首先分析了卷积神经网络和神经网络加速器的基本理论,在此基础上对神经网络计算模型进行分析,