本研究由太原理工大学人工智能学院生物医学精准检测与仪器研究所的Xiaoguang Gao（高晓光）、Chengzhen Xue、Xiaoliang Zhang、Xuejuan Meng、Xiaochun Li（李晓春），以及广州大学化学化工学院、广州市传感材料与器件重点实验室的Li Niu（牛利）等人合作完成。论文以“Quasi-Periodic Porous Structures-Based Temperature and Pressure Dual-Mode Electronic Skin for Material Cognition”为题，发表于 Advanced Science 期刊，2026年，第13卷，文章编号e12714，DOI为10.1002/advs.202512714。

该研究属于柔性电子皮肤与智能感知交叉领域，主要针对材料认知（material cognition）任务中现有电子皮肤仅依赖单一物理量（温度或压力）导致可识别材料种类有限的问题。人类皮肤通过瞬时受体电位（TRP）通道感知温度、通过Piezo蛋白感知压力，并将两类信号融合以实现对接触物体材质属性的推断。然而，已有电子皮肤大多只具备温度或压力单模态感知能力，难以区分热导率相近或柔软度相似的材料，更难处理表面纹理接近的织物和不同种类的合金。因此，开发温度-压力（T-P）双模态电子皮肤（dual-mode electronic skin, DMES）对提升机器人的触觉认知能力具有重要意义。已有T-P双模态电子皮肤普遍采用随机多孔结构，虽然性能优异，但孔隙形状和分布不可控，导致应力集中、电信号传导不稳定，也难以通过建模仿真进行定量分析。三维打印或有序模板虽能提高结构周期性，但效率低、成本高。为此，本研究旨在发展一种准周期多孔结构（quasi-periodic porous structure）的T-P双模态电子皮肤，通过可控孔结构实现温度与压力传感性能的精确构建与优化，并结合卷积神经网络（CNN）实现高精度材料认知。

研究流程主要包括四个关键环节：准周期多孔PDMS的制备、电子皮肤的组装与表征、温度与压力传感性能测试、以及基于深度学习的材料认知实验。

第一步，制备准周期多孔聚二甲基硅氧烷（PDMS）。研究者将上下两片砂纸（2 cm × 2 cm）构成受限二维空间，向砂纸表面滴加75 wt.%乙醇溶液，随后在砂纸之间填充PDMS并在70 °C下加热固化1小时。加热过程中，乙醇在砂纸表面生成受限于二维空间的气泡阵列，气泡与未固化的PDMS相互作用，最终在PDMS内部形成准周期排列的球形孔结构。通过改变砂纸间距（2 mm、1.5 mm、1.0 mm、0.5 mm）、砂纸型号（400至2500号）、乙醇浓度和加热温度，可以调控孔的直径、密度与分布。结果表明，2000号砂纸、70 °C、75 wt.%乙醇条件下获得的孔隙排列准周期性最好；孔直径随砂纸间距增大而增大，孔密度随间距减小而增大。

第二步，制备电子皮肤并表征。将多孔PDMS进行紫外/臭氧处理以提高亲水性，然后将其浸入PEDOT:PSS、Bi₂Te₃和石墨烯的混合悬浮液中超声吸附40分钟，再在70 °C干燥1小时。PEDOT:PSS/Bi₂Te₃赋予电子皮肤热电效应，用于温度传感；石墨烯的片状结构和高导电性用于压力传感。最后通过叉指电极、导电铜箔和银浆完成封装，左侧电极采集压阻信号，右侧电极用于热电电压输出，二者互不串扰。扫描电镜（SEM）显示纳米材料均匀附着于多孔PDMS表面；能量色散谱（EDS）映射证实C、S、Bi、Te元素均匀分布；拉曼光谱、X射线衍射（XRD）和X射线光电子能谱（XPS）均验证了三种纳米材料的成功复合。

第三步，系统测试了电子皮肤的温度和压力传感性能以及信号解耦能力。温度传感测试通过两个帕尔贴元件施加温度梯度，利用红外热像仪记录表面温度分布。结果表明，塞贝克系数（Seebeck coefficient, Sₜ）随孔直径增大而增大，最大值达26.14 µV/K；有限元分析（FEA）模拟结果与实验高度一致。电子皮肤可分辨0.1 K和0.2 K的微小温差，对30 °C热烧杯和10 °C冷烧杯的响应时间分别为1.25秒和1.06秒。在10 K温差下循环750次，热电电压变化不超过5%。压力传感测试使用万能试验机和Keithley 2600B源表测量相对电阻变化。结果显示，当砂纸间距为0.5 mm时，灵敏度因子（gauge factor, GF）最大，为153.37 kPa⁻¹；当间距为2.0 mm时，线性检测范围最宽，为0–1.3 kPa。电子皮肤的最低检测限为5 Pa，对玉米粒放置和移除的响应/恢复时间为32毫秒和34毫秒。在约5600次循环中，相对电阻变化波动小于5%。解耦实验表明，不同温度梯度下GF值基本不变，不同压力下Sₜ也保持稳定；手指按压和热水烧杯接触实验进一步验证了温度与压力信号可同步且独立输出。

第四步，开展基于深度学习的材料认知研究。研究选取33种材料，包括13种柔软度或热导率相近的材料（如铜、铝、钢、玻璃、陶瓷、PDMS、Ecoflex、橡胶、尼龙等）、12种不同纹理的棉织物（编号14–25）以及8种不同种类的合金（编号26–33）。实验中电子皮肤固定于机械臂末端，加热至35 °C后以0.5 mm步进位移接触目标材料。每种材料采集100组相对电阻变化和100组热电电压数据，共6600个数据点，按7:3划分训练集和测试集。t分布随机邻域嵌入（t-SNE）可视化显示，融合两类信号的数据集在二维空间中可分性最优。所构建的CNN模型在仅用相对电阻变化数据集时识别准确率为87.97%，仅用热电电压数据集时为84.27%，而融合数据集达到97.64%。同时，与LeNet-5、VGG16、ResNet和AlexNet等模型相比，该CNN模型在准确率和损失值方面均表现出优势。

本研究的主要结论如下：（1）通过受限二维气泡与PDMS的相互作用，成功制备了孔形状和直径可控的准周期多孔结构，为定量分析电子皮肤性能与孔结构关系提供了基础；（2）该电子皮肤具备优异的温度与压力双模态传感性能，包括高灵敏度、低检测限、快响应和良好循环稳定性，且两路信号无串扰；（3）结合CNN后，电子皮肤可高精度识别33种材料，覆盖相近热导率、相近柔软度、不同纹理织物及不同合金，材料认知能力远超人类皮肤和已有电子皮肤。

本研究的科学价值在于提出了一种无需模板、无需极端实验条件的准周期多孔结构制备策略，突破了随机多孔结构在性能可控性和建模仿真方面的瓶颈。其应用价值体现在机器人触觉感知、智能医疗、人机交互和消费电子等领域。电子皮肤不仅可用于材料识别，还可用于人体运动检测（如脉搏、眨眼、腕部弯曲、膝部弯曲等），展示了从基础研究到实际应用的潜力。此外，研究还通过实验证明，在相同材料和配比条件下，准周期多孔结构电子皮肤相比随机多孔结构电子皮肤具有更高的灵敏度和更稳定的信号一致性，进一步凸显了结构可控的优势。