.png){kind=icon}
返回
Deep learning technique based efficient optimization method for cone dielectric energy generator
.png){kind=icon}
PRE
AI
DOI：10.1007/s10409-025-24931-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
介电弹性体（DE）是一种电活性聚合物，具有高能量输出、高柔性、轻质、机械顺从性和低成本等特点，特别适用于DE能量发生器。能量收集效率是评价能量发生器性能的关键指标，它取决于结构配置以及DE材料的机械和介电性能。本文通过结合分数粘弹性模型和基于极化的集中参数模型，提出了一种分数粘弹性极化（FVP）模型。建立了一个考虑拉伸相关电致伸缩和非线性粘弹性的锥形介电能量发生器（CDEG）动力学模型。此外，开发了一个深度神经网络（DNN）模型，以探索各种参数与CDEG输出能量之间的关系，从而高效准确地预测CDEG的能量输出。基于DNN模型，采用非支配排序遗传算法II（NSGA-II）获得了CDEG的最优参数设计。实验验证了FVP模型能准确预测CDEG的输出能量，且所建立的最优设计框架能够准确提供CDEG的最优设计参数，为高效介电能量发生器的设计与制造提供了深刻见解。
期刊
A
IF:
4.6
论文数:
2.9K
被引数:
4.7K
机构
引用论文
分享收藏Flexible arc-shaped triboelectric nanogenerator for all directions and highly efficient biomechanical energy harvesting and human motion monitoring.png)
NANO ENERGY
NANO ENERGYIF17.1
PREAI
分享收藏Nonlinear dynamic analysis and active control of visco-hyperelastic dielectric elastomer membrane
PREAI
分享收藏A polarisation based approach to model the strain dependent permittivity of dielectric elastomers
PREAI
分享收藏
查看更多内容