本研究由电子科技大学光电科学与工程学院、电子薄膜与集成器件国家重点实验室的李伟雄、李旭然、罗晓兰等在Weizhi Li和Yuanjie Su教授的指导下,与美国加州大学洛杉矶分校生物工程系的Xiao Xiao、Farid Manshaii、Guorui Chen等在Jun Chen教授团队合作完成。该研究成果于2025年8月16日在线发表于国际顶级期刊 Advanced Materials (DOI: 10.1002/adma.202507169)。
随着人工智能技术的快速发展,多模态传感(multimodal sensing)在人机交互、虚拟现实、个性化医疗和机器人等领域的重要性日益凸显。生物系统通过温度感受器感知热流、通过机械感受器映射压力分布,这种多维度感知能力启发了科研人员开发同时具备触觉和温觉的电子皮肤。然而,传统的多模态传感系统依赖于多个分立传感器的集成,面临功耗高和微型化困难的严峻挑战。
聚合物材料因其柔韧性、可扩展性和生物相容性,在可穿戴电子器件中备受青睐,但其能量转换效率低下严重限制了应用。为解决这一问题,研究者开发了陶瓷-聚合物复合材料,旨在结合陶瓷优异的能量采集能力与聚合物的柔韧性。然而,两相之间的刚度失配阻碍了界面处的载荷传递,制约了机电耦合效率;同时,热导率的差异也阻碍了热量从聚合物基体向陶瓷填料的传递,限制了热释电(pyroelectric)性能。因此,现有复合材料缺乏高效的应力和热量传递路径来激发陶瓷填料的压电(piezoelectric)和热释电响应。
本研究旨在通过拓扑工程(topological engineering)策略,开发一种可编程铁电纳米复合材料(programmable ferroelectric nanocomposite),以实现同时且自驱动的机械和温度感知功能。
研究选用Sm-PMN-PT陶瓷作为传感填料,因其具有超高压电系数(d33 ≈ 1500 pC N⁻¹)和自发极化(spontaneous polarization)特性;以聚二甲基硅氧烷(PDMS)为聚合物基体,利用其优异的柔韧性和固化特性。所开发的多模态感知织物(MST)采用典型的三明治结构:最外层为聚酰亚胺(PI)薄膜作为保护和电绝缘层,中间为铜箔作为电极收集输出信号,核心功能层为Sm-PMN-PT/PDMS复合材料。
感知原理基于铁电陶瓷的压电效应和热释电效应:机械刺激通过压电效应将应力转化为电信号,热刺激通过热释电效应将温度变化转化为电信号。在无外界刺激时,电极上的自由电荷中和了电偶极子,无电荷转移;当施加力或热时,偶极子受压缩或扰动导致自发极化降低,产生正向电流;撤除刺激时,偶极子恢复,产生反向电流。
本研究的核心创新在于采用介电泳(DEP)技术实现陶瓷填料在聚合物基体中的可控定向排列。DEP通过施加时变非均匀电场,在铁电颗粒中诱导偶极相互作用,驱动颗粒沿电场方向排列成链状结构。具体机制为:每个陶瓷颗粒两侧感应出不等的正负电荷,相邻颗粒间的静电吸引力使其沿电场矢量方向线性排列。这种链状排列同时建立了高效的应力传递和热量传递双模态路径(bimodal pathways)。
研究者通过调控DEP处理的电压、频率和温度三个参数来优化排列效果。实验范围为:电压0-300 V,频率峰值200 Hz,温度25-100°C。研究发现,DEP电压和频率对压电和热释电性能有正向影响,而温度有负向影响;最佳处理条件为25°C/300 V/200 Hz。
为全面理解微观结构演化对材料性能的影响,研究采用相场模拟(phase-field simulation)方法。模拟追踪了DEP诱导填料从初始随机分布(random)到中间组装态(assembly)再到最终定向排列(aligned)的全过程。
相场模拟采用时间依赖的Ginzburg-Landau方程描述极化演化,系统总自由能包含体自由能、弹性能、静电能和梯度能。Sm-PMN-PT的体自由能密度采用六阶多项式展开。模拟在三维体系中进行,总尺寸为512 nm × 512 nm × 512 nm,包含两个直径100 nm的Sm-PMN-PT颗粒,离散化为128 × 128 × 128网格,采用周期性边界条件。有效性能计算采用傅里叶谱迭代扰动法求解静电和弹性平衡方程。
微观结构表征采用扫描电子显微镜-背散射电子成像(SEM-BSE)技术进行。定量取向分析证实了电场驱动下的有序排列,取向因子随DEP处理逐渐增大。X射线衍射(XRD)确认了Sm-PMN-PT的多晶钙钛矿结构和高结晶度。傅里叶变换红外光谱(FT-IR)在536 cm⁻¹处的特征峰证实了B─O键沿自发极化方向的伸缩振动。高分辨透射电子显微镜(HR-TEM)显示出0.284 nm晶格间距,对应(110)晶面。X射线光电子能谱(XPS)分析确认了Sm³⁺/Sm²⁺共存和氧空位形成。
为全面覆盖可能的分布模式,研究通过调节颗粒间分散比d/r₀和h/r₀(0到2),生成了包含9种典型分散模式的高通量计算数据集,实现了对有效弹性刚度(c₃₃)、热导率系数(λ₃₃)和介电常数(ɛ₃₃)的连续映射。
压电输出测试采用线性马达以可调频率、速度和振幅在器件表面产生周期性冲击。热释电性能测试将传感器贴附于热电冷却器(TEC),通过波形发生器和功率放大器实现温度变化的频率和振幅控制。输出信号由Keithley 6514静电计系统测量,通过LabVIEW软件实时记录。
多模态感知应用验证包括:实时呼吸模式监测(正常、快速、深呼吸)、不同温度热水倾倒的机械-热能转换测试、4×4阵列对不同形状物体(H型和T型)的识别。为解耦机械和热贡献,采用步进电机控制的倾倒系统进行验证。
材料识别系统建立了卷积神经网络(CNN)深度学习算法。数据采集以1000 Hz采样率进行,每种材料采集压电波形100次、热释电波形45次,转换为电压-时间波形图像(约810×650像素)。CNN架构包含输入层、三个卷积层(卷积核3×3,特征层数f=8,16,32)、ReLU层、最大池化层、展平层和全连接层。70%数据用于训练,30%用于测试。
虚拟现实接口采用Unity3D引擎构建,实时显示识别结果。此外,还开发了MST赋能的极端条件警报系统(MEAS),包含信号处理器进行模数转换,微控制器单元(MCU)根据预设阈值判断力和温度变量,并通过显示模块和语音模块输出。
DEP定向排列显著提升了复合材料的压电和热释电输出。在固定填料体积分数下,与随机分布版本相比,定向排列样品的压电响应提升114%,热释电响应提升131%。DEP电压从0增至300 V时,输出电压/电流与电压成正比,300 V时压电和热释电输出分别较未处理样品提升120%和150%。频率从低频增至200 Hz峰值时,信号强度超过随机样品2.7倍。温度从25°C升至100°C时,输出性能因PDMS快速固化抑制填料排列而降低,100°C时热释电输出几乎降至未处理水平。
相场模拟揭示了性能增强机制:随机和组装构型中,应力主要集中在陶瓷填料与聚合物基体界面,大部分外力耗散在基体中,压电势较低;而定向排列的陶瓷颗粒链建立了高效的应力传递路径,显著提升了机电耦合效率。类似地,在5 K温度梯度下,热传递集中在陶瓷颗粒排列的轴突状通道而非聚合物基体,大幅提高了热释电响应速率。
相场模拟量化了不同分散模式下的性能变化:从最大间距的对角分布(S9)到垂直无缝排列(S1),弹性刚度c₃₃从1.790增至1.844 GPa,热导率λ₃₃从0.1633增至0.1684 W m⁻¹K⁻¹,相对介电常数ɛr从3.067增至3.742。值得注意的是,弹性刚度随拓扑演化的变化趋势与热导率类似,表明通过调控填料空间排列可作为通用策略来定制各类陶瓷-聚合物复合材料的应力和热传导性能。
铁电畴结构模拟显示,在恒定1 MV m⁻¹极化电场下,随着相邻陶瓷颗粒间距减小,自发极化和面外畴(out-of-plane domain)分数逐渐增强。平行于电场的排列加速了嵌入式陶瓷填料的畴取向,产生优于随机分散版本的自发极化。然而,模拟也揭示了缺陷的不利影响:10 vol%空隙导致的填料不连续使d₃₃和极化Pz下降约40%,而c₃₃和λ₃₃仅下降约10%。
实测表明,MST在0.2 N冲击-释放循环下获得0.29 V压电输出,在8°C加热-冷却循环下获得0.56 V热释电输出,同时刺激时产生0.85 V耦合输出,符合单一响应的线性叠加,且未观察到可检测的串扰。
材料识别中,高模量材料(Cu、Fe、Al)产生较大的压电输出,低模量材料(EVA、PDMS)输出较小,因压电极化p = d₃₃σ = d₃₃Eɛ与材料模量成正比。热释电方面,高热导率材料产生较大输出,因传感器能吸收更多热能。CNN识别结果显示,单独使用压电信号的分类准确率为97%,而耦合压电和热释电信号后达到100%的整体准确率。经过物理引导的数据增强和dropout正则化的泛化性测试,在真实世界噪声下仍保持92.6%的识别准确率。
呼吸监测中,MST成功区分了正常、快速和深呼吸模式;测量系统能区分六种不同场景(低压/中压/高压/低温/中温/高温)。耐久性测试显示,10000次机械循环后压电响应衰减<4%,热释电输出退化<1%,21天监测中信号变化<1%。环境稳定性测试中,在20-100%相对湿度和0-80°C条件下,输出保持>85.3%的基线性能。
本研究通过DEP电场排列技术成功开发了可编程铁电纳米复合材料驱动的多模态感知织物,同时实现了压力和温度的感知功能。结合相场模拟和实验表征,研究揭示了陶瓷填料定向排列在提升自发极化和面外畴分数方面的双重作用机制,以及其建立的应力和热量高效传输双模态路径。压电和热释电响应分别提升114%和131%。研究明确了DEP电压和频率对性能的正向影响以及温度的反向影响规律。
该研究的科学价值在于:(1)揭示了聚合物复合材料中拓扑调制的底层机制;(2)建立了通过填料空间排列同时增强应力传递和热传导的通用策略;(3)展示了相场模拟与高通量计算相结合的材料设计方法;(4)阐明了铁电复合材料中畴结构与宏观性能的关联。应用价值体现在:自驱动的多模态感知能力为人机界面和虚拟现实中的触觉和温度同步识别提供了新方案,在无人商店和下一代在线购物等领域展现了广阔前景。CNN辅助的双信号处理实现了精确快速的物体识别,VR交互系统演示了虚拟购物中抓取和识别不同饮料的完整流程,体现了感知智能和认知智能的融合。
创新的材料设计策略:采用DEP技术实现铁电陶瓷填料在聚合物基体中的可编程定向排列,通过调控电压、频率和温度三参数精确控制微观结构。
显著的性能提升:在固定填料含量下,压电响应提升114%,热释电响应提升131%,显著优于现有聚合物-陶瓷复合材料。
完善的理论框架:相场模拟、有限元分析和实验表征相结合,从畴结构、应力分布、热传导到宏观性能建立了完整预测模型,并通过高通量计算实现了材料性能的连续映射和逆向设计。
多模态无串扰感知:首次在同一器件中实现压电和热释电信号的线性叠加且确认无串扰,为多模态传感提供了简化器件结构的新范式。
智能感知系统集成:将高性能传感器与CNN深度学习算法和VR界面相结合,实现了从材料识别到虚拟交互的完整闭环,识别准确率达100%。
通用性验证:通过对比Sm-PMN-PT和PZT两种不同陶瓷填料体系,证实了该拓扑调制策略的普适性。