インダストリー 4.0 でデジタル マテリアルを生成するデータとしてのグラフェン ナノ粒子

ブログ

ホームページホームページ / ブログ / インダストリー 4.0 でデジタル マテリアルを生成するデータとしてのグラフェン ナノ粒子

Aug 05, 2023

インダストリー 4.0 でデジタル マテリアルを生成するデータとしてのグラフェン ナノ粒子

Rapporti scientifici Volume 13,

Scientific Reports volume 13、記事番号: 4945 (2023) この記事を引用

3037 アクセス

6 オルトメトリック

メトリクスの詳細

2D 材料の潜在的な用途の 1 つは、航空宇宙、自動車、民間、防衛産業で使用される構造やコンポーネントの多機能性を強化することです。 これらの多機能特性には、センシング、エネルギー貯蔵、EMI シールド、特性強化が含まれます。 この記事では、インダストリー 4.0 で感覚要素を生成するデータとしてグラフェンとそのバリアントを使用する可能性を検討しました。 私たちは、先端材料、人工知能、ブロックチェーン技術という 3 つの新興テクノロジーをカバーする完全なロードマップを提示しました。 グラフェン ナノ粒子などの 2D 材料の有用性は、現代のスマート ファクトリー、つまり「未来の工場」のデジタル化のためのインターフェイスとしてまだ検討されていません。 この記事では、2D マテリアル強化複合材が物理空間とサイバー空間の間のインターフェイスとしてどのように機能するかを検討しました。 複合材料製造プロセスのさまざまな段階でグラフェンベースのスマート埋め込みセンサーを採用する概要と、リアルタイムの構造健全性モニタリングにおけるその応用について説明します。 グラフェンベースのセンシングネットワークとデジタル空間のインターフェースに関連する技術的課題について説明します。 さらに、人工知能、機械学習、ブロックチェーン技術などの関連ツールとグラフェンベースのデバイスおよび構造との統合の概要も示します。

産業革命は、社会を根本的に変えるほどの製品の生産方法に重大な変化が起こる時代であり、破壊的技術や新しい生産方法の導入によって特徴付けられます1、2、3。 これは通常、効率の向上、コストの削減、生産量の増加、および広範な経済的および社会的影響につながります3。 第一次産業革命 (インダストリー 1.0) は、水と蒸気の力を使用した機械的生産方法の導入によって特徴づけられました 3,4。 インダストリー 2.0 では、電気と組み立てラインを使用した大量生産が導入されました5、6。 インダストリー 3.0 では、生産における情報技術、コンピューター、オートメーションの使用が導入され、効率とカスタマイズの向上につながりました6。 インダストリー 4.0 は、スマートで自律的なシステム、人工知能、ロボティクス、モノのインターネット (IoT)、クラウド コンピューティング、物理システムと仮想システムの統合を組み込むことでこれをさらに推し進め、さらなるレベルの自動化とデータ交換につながります7、8、9。 、10. インダストリー 4.0 は、上記のテクノロジーのさらなる進歩を特徴とするインダストリー 5.0 に徐々に進化すると予想されます 10、11、12。

インダストリー 4.0 では、物理空間と仮想空間の相互接続は、材料設計および製造プロセスにおけるスマートな運用を実現するために必要な重要なステップです13、14、15、16。 スマート製造セットアップにおける物理空間とは、製造ツール、原材料、人材を指します。 一方、仮想空間には、データ ストレージと共有機能、およびデータ分析ツールを備えた計算リソースが含まれます。 これら 2 つの空間の収束は、現在、埋め込みセンサーのアレイまたは画像デバイスを介して実現されています。 しかし、これらの方法は非効率的であり、材料または構造内に異物が埋め込まれることになります。 このようなデバイスを素材そのものに置き換えることで、デジタル製造のパラダイムに革命が起こります。 このようなマテリアルは「スマート」で、収集した情報やデータを感知してリアルタイムで仮想空間に中継することができます。

グラフェンやその他の 2D 材料は、必要なインターフェイスとして機能し、材料をデジタル世界と直接通信させることができます 17,18。 グラフェンおよび関連 2D 材料は、10 年以上にわたって集中的な研究開発の焦点となってきましたが、これらの材料を利用した製品はまだ市場を獲得していません。 「驚異の材料」と呼ばれるグラフェンは、エレクトロニクス、土木/機械構造物、水の濾過からウェアラブル技術、バイオセンサー、医療に至るまで幅広い応用が期待されていました19。 しかし、生産の規模とコストのため、これらの期待は 10 年以上経っても実現できませんでした。 現在、2D マテリアルに基づくデータ生成デバイス (センサーなど) のほとんどは、初期の Technology Readiness Level (TRL) にあります。 技術の準備レベルを高め、商業展開に向けてより洗練されたプロトタイプ システムを製造するには、さらなる研究が必要です。 2D 材料の工業化への道を加速し、商業レベルでの将来的な影響の可能性を高めるためには、人工知能やブロックチェーン技術などの関連ツールを開発し、これらのデバイスと統合する必要があります。 グラフェン ナノ粒子の潜在的な用途の 1 つは、構造に多機能性を付与することです。 これらの多機能特性には、センシング、エネルギー貯蔵、EMI シールド、特性強化などが含まれます 21、22、23、24。

グラフェンは多くの基本的に優れた品質を備えており、特に電子デバイスにおける幅広い用途に有望な材料となっています。 グラフェンには、ナノフレーク、ナノプレートレット、ナノシート、量子ドット、酸化グラフェン、酸化グラファイト、還元酸化グラフェンなど 25 など、無数の形状があり、形状が異なれば、異なる機能が提供されます 22、26、27。 特定の用途向けのグラフェンの形状は、他の用途には有用ではない可能性があります。 たとえば、EMI シールドに使用されるグラフェンは、バイオセンサーやトランジスタとして使用することはできません。 同様に、エネルギー貯蔵に使用されるグラフェンは、機械的変形のセンシングに使用されるグラフェンとは異なります。 ここで注目するグラフェンの形態は、主に機械的変形に基づくセンシングに使用される還元酸化グラフェン (rGO) です。 グラフェンベースのデバイスの多用途性は、従来のトランジスタ回路を超えており、柔軟で透明なエレクトロニクス、オプトエレクトロニクス、ピエゾ抵抗センサー、電気機械システム、およびエネルギー貯蔵デバイスを含みます28。 還元酸化グラフェンベースのセンシングは、ご​​く最近ポリマー複合材料の分野で注目を集めています29。 グラフェンフレークと rGO は、樹脂系に混合するか繊維強化材にコーティングすることにより、複合構造などの構造内に埋め込むことができます 29。 rGO ベースのピエゾ抵抗センサーの動作原理には、導電性ネットワークを形成するナノマテリアルと、外部刺激によって変化する粒子間の電気トンネリングが含まれ、その結果、浸透したグラフェン ネットワークの電気抵抗が変化します。

繊維強化ポリマー複合材料のデジタル製造における物理世界とサイバー世界の間のインターフェイスとしての rGO センサーの潜在的な役割を図 1 に図示します。圧力トランスデューサー、デジタル画像デバイスなどの追加のセンサーを使用して、 rGO ベースのセンサーを介して取得される情報を強化します。 スマートな運用には、センシング システムに加えて、診断機能を備えた信号処理ユニットとデータ管理システムも必要です30。 ブロックチェーン テクノロジーはデータの収集と管理に有望なツールですが、人工知能ツールは必要な信号処理機能を提供できます。 したがって、rGO ベースのセンサー、AI を活用したツール、ブロックチェーン テクノロジーが、スマート製造を可能にする 3 つの要素を形成する可能性があります。 さらに、シミュレーション ツールやデジタル ツインを利用してデータベースを多様化できます。

デジタルファクトリー環境を構築するためのインターフェースとしてグラフェンナノ粒子を使用した複合構造のデジタル化を示すフローチャート。 還元酸化グラフェンベースのセンサーは、従来のセンサーとともにデジタル製造の製造セットアップに組み込むことができます。 ブロックチェーン技術、人工知能、仮想シミュレーション、デジタルツインなどの高度なツールを使用することで、インダストリー 4.0 フレームワーク内でスマート製造を実現できます。

この記事では、インダストリー 4.0 の文脈におけるデジタル マテリアルとしてのグラフェン ナノ粒子の将来的な利用について考察しました。 まず、rGO を組み込みセンサーとして使用する方法を説明し、続いて製造プロセス中および構造物の耐用年数中にこれらのセンサーによって生成されるデータの種類について説明しました。 データの収集と処理のためのブロックチェーン技術と人工知能ツールの使用、およびスマート製造におけるデジタルツインの役割が紹介されます。 従来のセンサーと rGO ベースのセンサーを使用して生成されたデータは、ブロックチェーン テクノロジーを使用して効率的かつ安全な方法で収集および保存できます。 機械および深層学習ツールは、このデータベースを使用したキャリブレーション、検出、予測モデルの作成に使用でき、グラフェンベースのセンサーを使用してキャプチャされたリアルタイム信号を分析できます。 要約すると、インダストリー 4.0 でスマート製造を実現するために、高度な 2D 材料、人工知能、ブロックチェーンという 3 つの新興テクノロジーを統合するロードマップを提示しました。

複合材料用の rGO ベースのひずみセンサーを作成するには、グラフェンが前駆体として使用され、通常はトップダウン法またはボトムアップ アプローチによって合成されます 31。 機械的剥離、GO の酸化還元、液相剥離、アーク放電などのトップダウン アプローチには、グラファイトなどの前駆体の構造破壊と、その後の層間分離によるグラフェン シートの製造が含まれます 32。 化学蒸着 (CVD)、エピタキシャル成長、炭素ソースガスを利用して基板上にグラフェンを合成する全有機合成は、ボトムアップ技術の例です 31。 グラフェン ナノ粒子および同様の 2D 材料は、マトリックス中に分散させるか、繊維強化材に直接コーティングすることによって、繊維強化複合構造内に埋め込むことができます 33,34。

このアプローチでは、樹脂内にグラフェン ナノ粒子を分散させることによってポリマー樹脂 (マトリックス) が改質され、従来のナノ複合材料が得られます 35,36。 混合比、機械的撹拌力、遠心混合パラメータなど、膨大な量の有用なデータが収集されます。樹脂システム内でのグラフェン ナノ粒子の混合中に収集されたデータは、剥離や剥離などの還元酸化グラフェンの物理的状態を予測するのに役立ちます。達成される削減の質は、導電率、EMI シールド、さまざまな機械的特性などの特性に直接影響を与える可能性があります29。 しかし、変性樹脂は、樹脂粘度の変化、粒子の凝集、早期ゲル化、樹脂注入中の繊維内の濾過効果、複合ラミネート全体にわたるフィラーの不均一な分布などの問題を引き起こす可能性もあります37,38。 これらの問題は、特に金型充填が非常に困難になる可能性がある風力タービンブレードなどの大型で厚い部品の製造時に、rGO 配合樹脂とその複合材料の実用化を妨げています。

マトリックスを変更するのではなく、rGO を繊維状強化材上に直接コーティングすることは、上で強調した問題を克服するための代替アプローチです。 感知能力を付与することに加えて、rGO による強化材のコーティングは複合材料の機械的および物理的特性を改善する可能性も提供します。 したがって、最終構造に多機能特性が与えられます39。 繊維強化材上に rGO を堆積する技術には、(i) 化学気相堆積 (CVD)40、(ii) 電気泳動堆積 41、(iii) 溶液およびスプレーコーティング 42、(iv) 繊維形成中に繊維に直接塗布される rGO を含むサイジングが含まれます。製造工程43. 強化材上に堆積すると、メソスケールの rGO ナノ粒子のネットワークが形成されるため、複合部品/構造は導電性になります 30。 流体圧力や機械的力などの外部刺激を受けると、導電経路が分断され、部品/構造全体の電気抵抗/導電率が変化します。 この抵抗/導電率の変化が測定され、外部刺激と相関付けられます。

rGO によって形成される導電ネットワークの全体的な抵抗は、(i) rGO の固有抵抗、(ii) 接触抵抗、および (iii) トンネリング/ホッピング抵抗の 3 つのタイプに分類できます。 これは次の式で表すことができます29

ここで、Ri は固有抵抗、Rc は接触抵抗、Rt はトンネル抵抗です。 これらのセンサーの重要な要件は、全体の抵抗 (ΔR) の小さな変化を検出できることです。 信号は通常、絶対的な測定値ではなく、相対的な抵抗変化 (FCR) として操作されます。 測定値は、基準値 (R0) に対して相対的に取得され、同じ (R0) によって正規化され、次のように与えられます。

ここで、R は測定値、R0 は基準値です。 コーティングされた rGO は、任意のデータ取得 (DAQ) システムを使用して測定できる信号を生成することにより、布地素材を「デジタル応答性」にすることができます。 製造中に発生する物理的変化(強化材の圧縮応答、型締力、樹脂圧力分布、フロー フロント トラッキング、樹脂硬化速度論など)を簡単に監視できます。これらの変化は従来、システムの一部ではない外部センサーやアクチュエーターを使用して収集されていました。素材自体44. プロセス監視の場合、電気抵抗の変化は、構造の初期抵抗の変化率の尺度であるゲイン係数で表すことができます。 信号とは別に、センサー校正、コーティングパラメータなどのさまざまなパラメータもアーカイブする必要があります45。 コーティング溶液の濃度、超音波処理パラメータ (時間、温度、周波数)、コーティング層の数、rGO の還元時間と温度など、コーティング段階から記録できる定量化可能なパラメータが膨大にあります。これらのパラメータは、最終的な抵抗値、ひいては rGO ベースのセンサーの感度 29。 収集されたデータは、金型の設計、最適な射出ゲートとベントの選択、強化材の浸透性の測定、樹脂硬化の予測のために保存および分析できます46、47、48。

動作中、rGO センサーは、スマート マテリアルがさらされる環境に応じて、さまざまな物理現象/活動に対応する信号を生成します。 液体複合成形 (LCM) プロセスなどの一般的な複合材料の製造プロセスでは、図 2 に示すように、乾燥強化材の圧縮、樹脂の注入、樹脂の硬化という 3 つの主要な段階があります。3 つの段階すべてがプロセスになりやすいです。変動性があり、ひずみセンサーと圧力センサーを使用して監視する必要があります。 報告された文献では、オートクレーブ外で一般的に使用される複合材料製造プロセスの一部である LCM プロセスを監視するために、rGO 埋め込みファブリック センサーが使用されています。 rGO でコーティングされたファブリックベースのセンサーは、現在、監視アプリケーション用のさまざまな幾何学的形状 (ポイント センサー、ライン センサー、またはエリア センサー) および構成で使用されています 45。 また、埋め込みセンサーの概念が、土木および建設産業向けのフィラメントワインディングや引抜成形などの他の複合材料製造プロセスにも適用されることが望ましい。 組み込まれた rGO ベースのセンサーは、製造サイクル全体の各段階で有用なデータを提供し、製造された構造の空隙含有量と構造の健全性に関連する重要な情報が抽出されます。

スマート複合コンポーネントのライフサイクル中、製造中および製造後に生成されるデータ。 生地の圧縮率は、目標の繊維体積分率を達成するために必要な加えられた応力によって定量化されます。 強化材の浸透性と流動特性の進化は、樹脂注入中の重要な特性であり、その後、樹脂の硬化速度が変化します。 構造内の応力の分布は、構造の健全性を監視し、予後対策を採用するために重要です。 すべての側面は、その場でコーティングされた生地を使用して監視されます。

液体複合成形 (LCM) による複合材料の製造の最初のステップは予備成形ステップです。このステップでは、乾燥した強化材に横方向の圧縮がかけられるため、金型の形状に適合し、目標の部品の厚さと繊維の体積含有量を達成できます。 。 圧縮段階は、使用される LCM 手法の種類によって異なります。 レジン トランスファー モールディング (RTM) は、プレスを使用して剛性の金型プラテンが補強材に高い圧縮力を加える密閉型プロセスですが、真空支援 RTM (VARTM) では、真空力を適用して真空バッグを圧縮します。片面金型に補強材を配置します。 圧縮段階では、特に VARTM の場合、金型内の圧縮が不均一であるため、厚さにばらつきが生じる可能性があります。 どちらの場合も、加えられる圧縮力によって複合材の繊維体積分率が決まり、それが最終部品の品質と複合材の機械的特性を決定します。 rGO ベースの埋め込みセンサーは、VARTM プロセスと RTM プロセスの両方で鉄筋に作用する締固め力を監視するために使用されています。 rGO ベースのセンサーは、乾燥した補強材と樹脂を含浸させた補強材の圧縮力を抵抗変化の形で検出できます。 この段階では、型締力と応力緩和データが必要ですが、これらは通常、特性評価実験を通じて積極的に決定されます49。 これらの情報は現在、2D マテリアルに基づくセンサーを介してその場で取得されています50。 最近、Ali ら 50 は、rGO および MXenes ベースの埋め込みセンサーを使用して、閉じた金型内の補強材の応力緩和などの非常に複雑な時間依存現象も監視できることを実証しました。

樹脂の射出中、金型内の圧力分布は急激に変化します。 この現象は通常、金型内に穴を開けたポイントセンサーを使用して監視されます51、52、53、54、55。 rGO でコーティングされた生地は、これらのセンサー アレイの魅力的な代替品として機能します 44。 コーティングされた布地から生成される抵抗変化データは、使用する樹脂システムの樹脂の導電性と誘電特性に依存します44。 グラフェン ナノ粒子の導電率/抵抗率は、樹脂がコーティングされた繊維に浸透するときに重要な役割を果たします。 金型内の圧力の徐々に変化することは、埋め込まれたセンサーの抵抗の変化によって捕捉される樹脂の含浸の指標でもあります。 さらに、部品内のレーストラッキングとドライスポットの形成は、プリフォーム内の異なる空間位置に配置されたセンサーからの信号を比較することによって検出できます45。 樹脂とセンサーの相互作用により、金型内の樹脂の分布に関する情報が得られます。 含浸プロセス中の空間マッピングによって樹脂注入プロセスの 2D プロットを作成することも可能です 56,57。 これには、センサーの仮想アレイ、ソース メジャー ユニット (SMU) または同様の抵抗測定ユニットと組み合わせた多重化システムが必要です。

埋め込まれたセンサーの抵抗は、ゲル化と架橋の影響を受けやすく、これらの段階で樹脂が収縮を観察し、グラフェン ナノ粒子に圧縮力を加えるため、全体の電気抵抗が変化します 56。 Khan et al45 によって説明されているように、初期ゲル化、硬化 (樹脂の収縮が起こる)、後硬化を含む硬化のさまざまな段階は、センサーの電気抵抗の相対的な変化を監視することによって検出されます。

複合構造は、その耐用年数を通じて、複数の用途で多数の荷重シナリオに頻繁にさらされます。 用途の種類に応じて、これらの荷重は高速から低速の衝撃にまで及び、大きなたわみが生じます58,59。 構造健全性監視システムは、好ましくは構造内に埋め込まれ、診断アルゴリズムを備えた信号処理ユニットに接続された感知要素と、データ管理リソースで構成されます30。 カーボンベースのナノマテリアルでコーティングされたセンサーは、近年、複合構造におけるセンシング用途において大きな可能性を示しています。 カーボン ナノチューブと比較して、rGO およびグラフェン フレーク センサーは、アスペクト比が高く、費用対効果が高いため、センシング アプリケーションで際立っています 60。 rGO を埋め込んだ複合構造は、寿命中のひずみや損傷を感知するために使用できます。 FRPC におけるピエゾ抵抗センシングのメカニズムは、rGO が布地にコーティングされているか、樹脂内に混合されているかによって異なります。 rGO がマトリックス中に存在すると、マトリックス内での亀裂の発生や織物層の剥離により、電気抵抗の不可逆的な増加が検出される可能性があります 61。 あるいは、rGO が強化材上に直接コーティングされている場合、導電性ネットワークは繊維表面に限定されるため、マトリックスの亀裂の検出は比較的困難になります。 それにもかかわらず、生成される膨大な量のデータは、致命的な故障が発生する前に複合構造を予防的に配置するために使用できます62。

構造健全性モニタリング (SHM) に関する多くの研究が報告されており、複合材料は引張、圧縮、曲げ、衝撃、クリープ、応力緩和などのさまざまなモードでテストされています63。 このテーマに関する包括的な文献レビューでは、rGO でコーティングされた布地センサーが複合構造の曲げ応答をモニタリングすることに成功していることが多くの研究で報告されていることが示されています。 これらのスマート センサーは、曲げ荷重下での正確なひずみ感知機能とは別に、曲げ荷重下で中立面の上下に配置された場合、引張荷重と圧縮荷重に対して明確な応答を示すこともできることに注目するのは非常に興味深いです41,64。 多くの研究者は、これらの rGO コーティングされたセンサーをさらに一歩進めて、複合構造内の反復的な長期負荷を感知する実現可能性を調査しました。 ピエゾ抵抗応答の顕著な再現性は、3000 回もの荷重サイクルにわたる曲げおよび引張の両方の周期的荷重において報告されています 65,66。 また、グラフェン ナノ粒子ベースのファイバー センサーが、現場での SHM を成功させるための複雑な複合構造にも採用されていることにも言及する価値があります。 実際、これらのスマートセンサーは、中立面の上下の配置に基づいて、圧縮荷重と引張荷重に対する独特の応答を報告することができました67。 興味深いことに、最近、いくつかの研究により、現場SHM用のハニカムサンドイッチ構造のスマート複合面シートの形でrGOコーティングされたセンサーの使用がさらに拡大されました。 航空宇宙用のスマートサンドイッチ構造は、スパン長とコアの厚さの影響を受けやすいだけでなく 68、対象となる任意の幅のビームの複数の荷重率に対しても独特の応答を示しました 69。 Nomex™ ハニカム コアをベースとしたサンドイッチ複合材料が現代の航空構造の不可欠な部分であることを考慮すると、これらの最近の発見は、航空宇宙産業におけるアクティブな rGO コーティングされたピエゾ抵抗センサーの感知能力の点で顕著な可能性を示しています。

複合構造における従来の機械的応答の検知に関しては、これまでに大きな進歩が見られました。 ただし、ポリマー樹脂と繊維強化材の継承された粘弾性の性質により、機械的応答が時間に依存するため、これらのスマートセンサーのピエゾ抵抗応答も時間の関数になることに注意することが非常に重要です70。 したがって、rGO ベースのスマート センサーを使用して長期クリープおよび粘弾性応力緩和応答を調査することは非常に重要です。 複合構造の長期応用におけるこのような対応の重要性にもかかわらず、この研究分野はまだ適切に活用されていません。 Irfan ら 65 は、動的機械解析を使用して複合材料の機械的性能に対する温度の影響を調査するために、rGO ベースのスマート センサーに基づくこの種の研究を初めて実施しました。 この結果は、温度掃引実験を使用した同様の動的機械解析下での MXene でコーティングされた布地センサーの応答とも比較されました。 センサーは熱機械応答を検出できるだけでなく、ガラス転移現象やガラス領域からゴム領域への転移も検出できたので、結果は非常に有望なものでした。 実際、rGO ベースのセンサーは、MXene ベースのセンサーと比較して、よりスムーズな応答を示しました。

したがって、rGO ベースのセンサーは、複合構造の複数の産業用途における自己検知アプリケーションとして大きな可能性を示しています。 それにもかかわらず、自己感知スマート複合構造は、この分野で研究する研究者にとって多くの制限と課題にもかかわらず、新興分野と見なすことができます。 産業規模に影響を与える前に、多くの分野で厳密な研究が必要です。 これらの領域には次のものが含まれる場合があります。(i) これらのセンサーのスケーラビリティ。 (ii) 校正。 (iii) 環境要因などの他の外部刺激の影響。 (iv) 圧電センサー (PZT) センサーやファイバー ブラッグ グレーティング (FBG) センサーなど、これらのアプリケーション向けの確立された従来のセンサーとの比較、および (v) これらのセンサーを、携帯電話などのポータブル デバイスで直接信号を伝達できるほどスマートにする。

rGO ベースのセンサーが産業環境で使用できる大きな可能性を秘めているという事実を考えると、サイバー世界との統合は依然として課題であり、あまり多くの作業が行われていません。 このセクションでは、インダストリー 4.0 テクノロジーのロードマップと、これらのテクノロジーが (上記のセクションで説明したように) これらのセンサーを通じて生成されたデータを使用してスマート ファクトリーを構築する方法を示します。 スマートファクトリーは、生産プロセス全体を自律的に実行し、データに基づいた意思決定を行うことができる、自己適応型の高度に自動化された製造環境です71,72。 このような製造セットアップには、リアルタイムまたはほぼリアルタイムでの学習を通じて新しい条件に自己適応することで、パフォーマンスを自己最適化し、効率、柔軟性、品質管理を向上させる機能があります73。 マシン、通信メカニズム、コンピューティング能力の相互接続ネットワークを通じてデジタル システムと物理システムを統合し、ブロックチェーン、人工知能、機械学習などの高度なテクノロジーを使用してデータを収集および分析します74,75。 この統合は、物理システムが仮想空間または「メタバース」の機能にアクセスできるようにするセンサーとアクチュエーターのネットワークを通じて実現されます75、76。

rGO ベースのセンサーによって収集されたデータは、スマート ファクトリーでの仮想実験や意思決定の実施に使用できます。 rGO でコーティングされたセンサーは、rGO 混合比、型締力、金型内の圧力分布などのデジタル情報を物理空間からデジタル空間に送信できます。このデジタル情報はさまざまな形式 (数値データ、画像、時間依存) で提供されます。データなど)。 デジタル空間または「メタバース」の役割は、このデータを安全に収集し、データを解釈し、実行可能なコマンドを生成することです。 これらの実行可能なコマンドは、rGO ベースのセンサーを使用して金型から収集した情報に基づいて樹脂供給ラインを有効/無効にできる決定ツリーになる可能性があります。

「メタバース」の概念は非常に幅広く、その主要なコンポーネントは、デジタル ツイン、人工知能、ブロックチェーン、IoT などを使用した仮想/拡張現実です。デジタル ツイン (DT) は、インダストリー 4.0 の中核コンポーネントの 1 つです。物理プロセスの仮想レプリカまたはデジタル プロトタイプと呼ばれ、物理システムと完全に統合され、リアルタイムで仮想シミュレーションを実行できます77、78、79。 仮想シミュレーションは、物理エンティティと仮想エンティティの間で継続的な反復を必要とする DT の重要な側面です 80,81。 これらのシミュレーションには、物理​​ベースの計算アプローチ (FEM/CFD)82、83、84、85、86、87 およびデータ駆動型の確率論的シミュレーション 88、89、90 が含まれます。 実験手順に対するデジタル シミュレーションの利点は、材料の消費量、労働時間、全体的なコストの削減において明らかです。 これらの利点とは別に、これらのシミュレーションを使用して、機械学習モデルのトレーニングと作成に使用するデータセットを生成できます。 このようなシミュレーションはリアルタイムでは実行できませんが、合成データに基づく機械学習モデルは役立つ可能性があります91。 デジタル ツインの機能は、人間とマシンの対話を可能にする仮想現実および拡張現実テクノロジー 92 によって強化されることがあります 93,94。 たとえば、Perez et al.95 は、マルチロボット製造セットアップの自動プロセスを設計するための VR 強化 DT と、その強化された実装およびオペランド内モニタリングを提示し、検証しました。

デジタルツインは、異なるレベルで実装されますが、相互にリンクされています13。 複合構造の文脈では、これらのレベルには、設計、製造/組立、および稼働中/運用段階が含まれます80。 設計レベルでは、「デジタル マテリアル ツイン」(DMT) としても知られています。これは、設計検証や最終複合材料の機械的特性の予測、推定に使用できる複合材料の現実的な計算モデルを指します。強化繊維内の圧縮応答や樹脂流動特性などのプロセスパラメータ96、97、98。 これらのパラメータは、rGO コーティングされたファブリックによって適切に捕捉され (前のセクションで説明したように)、この情報を保存して「現実に近い」DMT を作成するために使用できます。 さらに、rGO コーティングされたファブリック センサーは、DT シミュレーションの実験的検証にも使用できます。

仮想製造用のデジタル マテリアル ツインは、X 線コンピュータ断層撮影 (XCT) などのさまざまな 3D スキャン技術から生成できます99、100、101、102、103。 生産中、DT は効果的なプロセスの監視、制御、最適化のために作業現場レベルで実装されます16,104,105。 ソンら。 ボイド形成を軽減するためにオートクレーブ複合材料の減量プロセスを最適化するための DT を作成しました106。 Zambal et al.107 は、分析モデリングと有限要素シミュレーションとともにさまざまなセンサーから収集したデータを使用して、炭素繊維レイアップ中の欠陥を検出するための DT を生成しました。 最後に、運用段階では、DT は予測と診断活動に使用されます108。 Milanoski ら 109,110 は、ファイバー ブラッグ グレーティング (FBG) センサーから取得したひずみデータを使用して構造に作用する荷重を推定することにより、強化複合パネルの構造健全性をモニタリングするための FEM ベースの DT を開発しました。 Sisson ら 111 は、重要な機械コンポーネントへのストレスを最小限に抑え、確率論的な診断、予後、最適化を通じて回転翼航空機の飛行パラメータを最適化するデジタル ツイン アプローチを追求しました。 ひずみセンサーから収集されたデータを使用すると、損傷の存在を検出できるだけでなく、損傷の進行も検出できるため、部品の残りの耐用年数も予測できます109。 構造や部品の健全性に関する知識は、部品の交換、損傷の修復、亀裂の阻止などの予防措置を講じるのに役立ちます。

人工知能 (AI) は一般に、知覚、推論、意思決定など、通常は人間のような知能を必要とするタスクを実行するように設計されたマシンを指します 112,113,114。 本質的に、AI システムは、自律的に問題を推論し解決するためのデータ駆動型の数学モデルで構成されています114。 AI には、機械学習と深層学習、コンピューター ビジョン、自然言語処理、コグニティブ コンピューティングのサブ分野が含まれており、それぞれが AI テクノロジーのさまざまな側面に焦点を当てています。 人工知能と 2D マテリアルは、絡み合った 2 つの破壊的テクノロジーです 115,116,117。 一方で、2D 材料は、メモリスタや光検出器などの AI 用デバイスの構築を可能にする可能性があります 118,119,120,121,122。 一方、機械学習や深層学習などの AI ツールは、2D マテリアルの発見、設計、最適化を加速するだけでなく 123,124,125,126 だけでなく、2D マテリアルに基づいてセンサーによって生成された信号を解釈することもできます。 ここでは、潜在的なセンサーとしてのグラフェンについて説明しているため、信号処理用の AI ツールに限定して説明します。

rGO センサーを使用したデジタル製造における AI 技術の役割は、主に信号処理ツールとして考えることができます。 製造プロセスの監視には通常、異常の検出と圧力、温度などの物理量の測定が含まれますが、これらは rGO センサーを使用して簡単に取得できます。 非常に低い計算能力で信号をリアルタイムに処理できるため、これらのツールは非常に魅力的です127,128。 rGO ベースのセンサーによって測定される信号は、通常、抵抗/電圧/電流測定の形式になります。 これらの信号は、さまざまな校正および相関モデルを通じて、圧力、応力、ひずみ、温度などの物理パラメータに変換する必要があります61、129、130、131、132。 このような校正モデルは、機械学習ツールを使用して簡単に開発できます17、50、133。 Zhu et al.17 は、機械学習ツール (主成分分析) を使用して、rGO ベースのガスセンサーの測定された応答から水素ガスの濃度を予測しました。 Aliらは、教師あり機械学習アルゴリズムを使用してMXeneコーティングされたガラス繊維センサーを校正し、圧縮応力と測定信号を相関させました。 Hajizadegan ら 133 は、人工ニューラル ネットワーク (ANN) を使用して、グラフェンベースの高調波センサーの高調波スペクトルから生化学ドーパントの濃度レベルを抽出しました。

キャリブレーション モデル以外にも、AI ツールは検出、検査、監視タスクに簡単に使用できます134。 これらのタスクには、金型内の樹脂のレーストラッキング 135、流れの乱れ 136、LCM プロセスの充填段階での未充填ゾーンの形成 137 の検出、および繊維製造中の破損したフィラメントの検査 138 が含まれる場合があります。 自動ファイバー配置 (AFP) プロセスを検査するための新しい AI ベースの方法も、数人の研究者によって発表されています 139,140,​​141,142,143。 構造物の健全性モニタリングの一環として、機械/深層学習モデルは、欠陥/損傷の検出144,145,146,147,148,149,150、亀裂/層間剥離の特性評価151,152,153、衝撃レベルの分類154に使用されてきました。 Yu ら 154 は、確率的ベイジアンおよび従来の人工ニューラル ネットワークが、圧電センサーのネットワークから得られた信号に基づいて、さまざまな衝撃事象のエネルギー レベルを首尾よく分類できることを実証しました。 深層学習ツールは、信号が 2D/3D フィールドおよびマップの形式である場合に、このようなタスクを特に実行できます56,57。 このような場合、これらのモデルは欠陥を検出できるだけでなく、その位置を特定することもできます152。

最後に、機械/深層学習ベースの代理/予測モデルは、プロセス シミュレーション 155,156,157 や、診断および予後保守における故障予測 158,159,160 に使用できます。 Zhu et al.161 は、一連の圧力センサーによって提供されるデータを使用して、任意の含浸時間におけるフロー フロント パターンを予測するためのニューラル ネットワーク モデルを実装しました。 同様の予測モデルは、樹脂の硬化 162 とフロー フロントの進行 163 を予測するためにも提示されました。 スティーバーら。 は、それぞれ一連のフロー フロント画像からドライ スポット形成と透過性マップを予測するためのニューラル ネットワーク ベースのモデル FlowFrontNet164 と PermeabilityNets165 を提示しました。 Pratim ら 166 は、リアルタイムで取得した材料の誘電率から繊維強化ポリマー (FRP) 複合材料の寿命 (耐久性) と残留強度 (損傷耐性) を予測するための ANN フレームワークを提示しました。 Hassan et al.167 は、電気インピーダンス断層撮影法で観察された導電率の変化に基づいて、自己検知型ナノ複合材料の故障予測に遺伝的アルゴリズムを使用しました。

要約すると、これらのツールは、図 3 にまとめられているように、校正、検出、予測モデルとしてデジタル製造セットアップ内に統合できます。さらに、これらのモデルは、古い重みを失うことなく、新しいデータの利用可能性として定期的に再トレーニングできます。製造プロセス全体を真に刷新します。 ここで説明したモデルの一部は、ピエゾ抵抗 rGO センサーによって収集されたデータではなく、従来のセンサーから生成されたデータまたは合成データを使用しました。 ただし、ここで説明する方法は、rGO センサーを介して取得されたデータの分析に簡単に適用できます。

インダストリー 4.0 の複合材料製造におけるさまざまなタスクに対する機械学習モデルと深層学習モデルの使用。 このようなモデルの一般的な用途には、センサーの校正、信号分析による異常検出、リアルタイムでの予測タスクの実行などが含まれます。

AI ツールは rGO ベースのセンサーを通じて収集されたデータを効率的に分析できるため、ブロックチェーン技術は安全で信頼性が高く、追跡可能な方法でデータを収集および管理できます168,169。 定義上、ブロックチェーンは、ブロックと呼ばれる不変レコードの進化的なリストであり、暗号化を使用して相互にリンクされ、コンピューターまたはノードの分散ネットワークに時系列順に保存されます170。 ブロックチェーン技術は、スマートコントラクトとして知られる自己実行コード部分を採用し、非常に信頼性の高い方法でプロセスを自動化します171。 現在、このテクノロジーは金融および銀行部門、医療およびサプライチェーン部門で広範囲に活用されています172。 例えば、ブロックチェーン技術は、繊維強化複合材料のサプライチェーン、特に改ざん防止用の分散台帳でのプリプレグの温度管理された輸送、取り扱い、保管の処理に利用できます173。

繊維強化ポリマー複合材料の製造用のセンシング要素として rGO を使用すると、物理的特性やプロセス パラメーターを含むデータがさまざまな段階で生成されます。 これらの段階は、原材料、製造プロセス、完成したコンポーネント/構造で構成される多段階のサプライチェーンを形成します173,174。 データの性質と形式は処理ステップによって異なり、数値、時間/温度に依存する曲線、さらには 2 次元/3 次元フィールド、さらには主観的な説明が含まれます。 各ステップで生成されるすべてのデータは、ブロックチェーンを使用して効率的かつ安全な方法で収集および保存できます。 生成されたデータの収集と保存におけるブロックチェーンの使用の概念図を図 4 に示します。rGO センサーから直接収集されたデータとは別に、補強材とマトリックスの物理的特性に関連するデータ、およびデータが収集されます。効率的な処理には、物理​​的および仮想実験から生成されたデータも重要です。 補強材とマトリックスの物理的特性は通常、供給業者によって提供されます (図 4 の最初のブロック)。 これらの特性は検証され、デジタル ツインを使用した特性評価実験と仮想シミュレーションによって新しい特性が決定されます (図 4 の 2 番目のブロック)。 3D ジオメトリの形式で作成される部品の形状も、もう 1 つの重要なデータです。 金型の設計およびその他のプロセスパラメータは、使用される製造方法の種類によって異なります。 LCM の場合、プロセス パラメータには、入口/出口ポートの数と位置、射出圧力などが含まれます。プリプレグの処理では、硬化サイクルと温度が主なパラメータです。 rGO コーティングされた材料は、プロセス中のその場データ取得において重要な役割を果たします。 完成部品の検査により、気孔率マップ、空隙含有量および許容レベルなど、部品の品質に関連するさらに多くのデータが生成されます175。 最後に、rGO センサーに基づくスマート構造は、稼働中にその構造の健全性に関連する信号を生成します。この信号は、ブロックチェーン台帳上のメンテナンス ログブックで管理できます176。 直接的な関与とは別に、ブロックチェーンは DT の作成にも役立ち 169,177、人工知能と連携して全体的な影響を与えることができます 178。 それにもかかわらず、ブロックチェーン技術は、rGO ベースのセンサーを含む感覚要素のネットワーク 179 を使用してスマートな運用を実装するための、安全かつ大規模で信頼性の高いデータ収集および管理ツールです。

ブロックチェーン技術を使用した複合材製造のさまざまな段階でのデータ収集。 原材料のデータシートや稼働中の信号など、さまざまな製造段階で生成されるデータは、ブロックチェーン技術を使用することで効率的かつ安全に収集できます。

現実世界のさまざまな用途におけるデジタルマテリアルとしてのグラフェンナノ粒子の技術的応用と市場への浸透には、数多くの課題と機会が存在します。 繊維強化ポリマー複合材料の感知要素としてグラフェンを大規模に商業化する前に、これらの課題を検討し、それらをインダストリー 4.0 の規格と互換性のあるものにすることが重要です。 現在利用可能な 2D 材料がいくつかあり、選択した 2D 材料は処理ステップだけでなく、製品の最終的なセンシング特性にも影響を与えるため、材料の選択プロセスは最も重要です。 2D マテリアルを選択する場合は、規模の経済性も考慮する必要があります。 原子論的モデリングは、特定の用途向けの材料の選択を絞り込むためのツールとなり得ます。 これは、多機能複合材料が関与する場合に非常に重要になります。 MXene などの人工 2D 材料は、最適化された特性が得られるように設計できます。 原子論的モデリングは、2 つ以上の材料のハイブリッドの作成にも役立ちます。 特にプロセスが文献や実践で明確に定義されていない場合、高品質の材料を合成することも課題となります。 社内合成が必要かどうか、またはアプリケーションに既製のオプションが機能する可能性があるかどうかを決定する必要があります。

グラフェンやその他の 2D 材料をプロセス チェーンに追加することが次の課題です。 グラフェンを複合材料に組み込む方法は数多くあります。たとえば、樹脂システムに混合する、強化材にコーティングする、コーティングされたトウを強化布地に織り込む、または最終複合材をグラフェン溶液でコーティングするなどです。 単一の解決策はなく、ユーザーはターゲット アプリケーションに最適な方法を決定する必要があります。

センサーの製造も、密接に関連する課題です。 構造内のセンサーのサイズ、数、空間的位置を決定することも重要です。 センシング特性を維持しながら複雑な 3D 形状にセンサーを埋め込むのは、難しい作業となる場合があります。 センサーを組み込むにはさまざまなアプローチが必要となる製造プロセスに留意することも重要です。 グラフェンナノ粒子を複合材料に埋め込むためにどの技術を使用する場合でも、物理的変化を感知するための複合材料の感知能力を定量化することが重要です。

この分野では、特に研究室間のセンサーが関係する場合、センサーの校正が大きな課題となります。 これらのセンサーはまだ標準化されていませんが、商業用途では標準化プロトコルが望ましいです。 長期間にわたるセンサーの特性保持も重要な要素です。 温度や湿度などの環境要因は、時間の経過とともにセンシング能力に影響を与える可能性があります。 これは、FBG センサーなどの商用センサーでも重要であり、橋などの実世界のアプリケーションでこれらのセンサーが動作することを確認するために定期的な検査が実行されます。 同様に、グラフェンナノ粒子ベースのセンサーには、長期にわたる検査のための備えが必要です。 一方、ラボ環境では、加速テストを実行して特性保持を定量化できます。

グラフェンナノ粒子を実行可能なデジタルマテリアルとして商業化するには、大規模な生産システムが不可欠です。 前述したように、さまざまな商用ベンダーがグラフェン材料を提供していますが、さまざまな分野でのグラフェンの応用には特有の課題が生じます。 グラフェンおよびその他の 2D 材料は、繊維強化複合材料のスマート センサーとして使用できる実行可能なナノ材料です。 複合材料の製造と応用のあらゆる段階でプロセスと構造の健全性を監視できます。 さらに、これらの材料は、機械的特性や EMI シールドなど、ニート複合材の他の基本特性を強化することもできます。

メタバースのエンティティは、2D マテリアルよりもはるかに成熟しています。 デジタル空間では、クラウド コンピューティング、ビッグ データ分析、IoT、人工知能 (AI) などの計算能力が大幅に進歩しました。 ただし、2D マテリアルに基づくセンサーとの統合はまだ実現されていません。 各種デジタルツールの互換性も明確ではありません。 ブロックチェーン技術の重要な特徴の 1 つは、情報が公開されていることです。 ただし、製造環境内の情報のほとんどは、適切な性質のものです。 この点において、コンソーシアムまたは連合ブロックチェーンは、情報が対象者のみに限定されている場合に使用できます。 AI ツールはデータ駆動型であり、トレーニングには慎重に厳選されたデータセットが必要です。 このような種類のデータは現時点では不足していますが、時間の経過とともに増加すると予想されます。 最後に、グラフェン ナノ粒子センサーに基づくデジタル ツインのコンセプトも構想段階にあります。 これらすべてのテクノロジーが共に成長することで、インダストリー 4.0 の真の本質がもたらされる可能性があります。 この分野にグラフェンやその他の 2D 材料を応用するチャンスが豊富にあることは疑いの余地がありません。 今こそ、学術界と航空宇宙産業や自動車産業を含む複合材料産業が協力してこの分野の課題を解決し、この素晴らしい材料の恩恵を享受するためにデジタル材料としてグラフェンを大規模に適用することを目指すべき時期に来ています。

この研究中に生成または分析されたすべてのデータは、この公開記事に含まれています。

詳細については、C. 産業革命の理解 (Routledge、2000)。

Google スカラー

コロラド州クリンゲンベルク、ボルヘス、MAV および Antunes、JADV インダストリー 4.0: 何が革命となるのでしょうか? 現象を理解するための歴史的枠組み。 テクノロジー。 社会 70、102009 (2022)。

記事 Google Scholar

ディーン首相『第一次産業革命』(ケンブリッジ大学出版局、1979 年)。

Google スカラー

リグレー、EA 産業革命の再考: イングランドとウェールズ。 J.インターディシプル。 歴史 49(1)、9–42 (2018)。

記事 Google Scholar

Jul, J. 第二次産業革命: 概念の歴史。 歴史学国際ジャーナル 36、81–90 (1999)。

Google スカラー

Vinitha, K.、Ambrose Prabhu, R.、Bhaskar, R.、Hariharan, R. インダストリー 1.0 からインダストリー 4.0 までの工業数学と材料に関するレビュー。 メーター。 今日はProc. 33、3956–3960 (2020)。

記事 Google Scholar

Baena , F. 、Guarin , A. 、Mora , J. 、Sauza , J. & Retat , S. Learning Factory: インダストリー 4.0 への道。 議事録作成者。 改訂 9、73–80 (2017)。

記事 Google Scholar

Schwab, K. 第 4 次産業革命 (クラウン ビジネス、2017 年)。

Google スカラー

Parmar, H.、Khan, T.、Tucci, F.、Umer, R. & Carlone, P. 高度なロボット工学と複合材料の積層造形: インダストリー 4.0 の新時代に向けて。 メーター。 メーカープロセス。 37(5)、483–517 (2022)。

記事 CAS Google Scholar

Xu, X.、Lu, Y.、Vogel-Heuser, B. & Wang, L. インダストリー 4.0 およびインダストリー 5.0 - 開始、構想、認識。 J.マニュフ. システム。 61、530–535 (2021)。

記事 Google Scholar

マディクンタ、PKR 他。 インダストリー 5.0: 実現するテクノロジーと潜在的なアプリケーションに関する調査。 J.Inf. 統合します。 26、100257 (2022)。

Google スカラー

ナハヴァンディ、S. インダストリー 5.0 - 人間中心のソリューション。 サステナビリティ 11(16)、4371 (2019)。

記事 Google Scholar

Tao, F.、Qi, Q.、Wang, L. & Nee、AYC スマート製造とインダストリー 4.0 に向けたデジタル ツインとサイバーフィジカル システム: 相関と比較。 エンジニアリング 5(4)、653–661 (2019)。

記事 Google Scholar

Negri, E.、Fumagalli, L.、Macchi, M. CPS ベースの生産システムにおけるデジタル ツインの役割のレビュー。 プロセディア社 11、939–948 (2017)。

記事 Google Scholar

Leng、J.ら。 インダストリー 4.0 におけるデジタル ツイン ベースのスマート製造システム設計: レビュー。 J.マニュフ. システム。 60、119–137 (2021)。

記事 Google Scholar

Tao, F. & Zhang, M. デジタル ツインの製造現場: スマート製造に向けた新しい製造現場のパラダイム。 IEEE Access 5、20418–20427 (2017)。

記事 Google Scholar

Zhu、J.ら。 エネルギーハーベスティング支援の IoT アプリケーションを使用した、機械学習対応の繊維ベースのグラフェン ガス センシング。 ナノエネルギー 86、106035 (2021)。

記事 CAS Google Scholar

Levchenko, I.、Bazaka, K.、Belmonte, T.、Keidar, M. & Xu, S. 次世代宇宙船用の先進材料。 上級メーター。 30(50)、1802201 (2018)。

記事 Google Scholar

Döscher, H.、Schmaltz, T.、Neef, C.、Thielmann, A. & Reiss, T. グラフェン ロードマップ ブリーフ (No. 2): 工業化の現状と展望 2020。2D Mater。 8(2)、022005 (2021)。

記事 Google Scholar

チョイ、SHら。 工業化に向けたグラフェンやその他の 2D 材料の大規模合成。 ナット。 共通。 13(1)、1484 (2022)。

論文 ADS CAS PubMed PubMed Central Google Scholar

メンサー、B.ら。 グラフェン強化エラストマーナノ複合材料: レビュー。 ポリム。 テスト 68、160–184 (2018)。

記事 CAS Google Scholar

Ren, S.、Rong, P. & Yu, Q. 機能デバイスにおけるグラフェンの調製、特性、および応用: 簡潔なレビュー。 セラム。 内部。 44(11)、11940–11955 (2018)。

記事 CAS Google Scholar

Hiew、BYZ et al. 3D グラフェンベースの構成の合成と、有害な水質汚染物質の吸着性能をレビューします。 プロセスセーフ。 環境。 プロット。 116、262–286 (2018)。

記事 CAS Google Scholar

Dasari、BL、Nouri、JM、Brabazon、D. & Naher、S. グラフェンと誘導体 - 合成技術、特性、およびそのエネルギー応用。 エネルギー 140、766–778 (2017)。

記事 CAS Google Scholar

ビアンコ、A.ら。 すべてグラフェンファミリーに属します - 二次元カーボン材料の推奨命名法です。 カーボン 65、1–6 (2013)。

記事 CAS Google Scholar

Zhang、F.ら。 グラフェンに関する最近の進歩: 合成、特性、および応用。 コンポ。 アプリケーション。 科学。 メーカー 160、107051 (2022)。

記事 CAS Google Scholar

Yu、X.らグラフェンベースのスマートマテリアル。 ナット。 メーター牧師。 2(9)、17046 (2017)。

記事 ADS CAS Google Scholar

ワイス、ノーら。 グラフェン: 新興の電子材料。 上級メーター。 24(43)、5782–5825 (2012)。

論文 CAS PubMed Google Scholar

Irfan, MS、Khan, T.、Hussain, T.、Liao, K. & Umer, R. カーボンコーティングされたピエゾ抵抗ファイバーセンサー: プロセスモニタリングから複合材料の構造健全性モニタリングまで - レビュー。 コンポ。 アプリケーション。 科学。 メーカー 141、106236 (2021)。

記事 CAS Google Scholar

Islam, MH、Afroj, S.、Uddin, MA、Andreeva, DV、Novoselov, KS、Karim, N. グラフェンおよび CNT ベースのスマート繊維強化複合材料: レビュー。 上級機能。 メーター。 (2022) 2205723。

ヤン、Yら。 グラフェンの合成: 潜在的な炭素前駆体とそのアプローチ。 ナノテクノロジー。 改訂 9(1)、1284–1314 (2020)。

記事 CAS Google Scholar

クマール、N.ら。 グラフェンのトップダウン合成: 包括的なレビュー。 FlatChem 27、100224 (2021)。

記事 CAS Google Scholar

Yu, R.、Zhu, C.、Wan, J.、Li, Y.、Hong, X. 構造活性関係に重点を置いた、グラフェンベースの繊維ひずみセンサーのレビュー。 ポリマー 13(1)、151 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Shi、J.ら。 ウェアラブルアプリケーション向けのスマートテキスタイル統合マイクロエレクトロニクスシステム。 上級メーター。 32(5)、1901958 (2020)。

記事 CAS Google Scholar

Zhang, H.、Kuwata, M.、Bilotti, E. & Peijs, T. カーボン ナノチューブの添加量が極めて低い繊維強化複合材料における損傷センシングの統合。 J.ナノメーター。 16(1)、243 (2015)。

Google スカラー

Lazaridou, I.、Kour Koulis, SK & Alexopoulos, ND 準静的増分荷重下での、異なる濃度のカーボン ナノチューブ/エポキシ ガラス繊維強化複合材の損傷モニタリング。 メーター。 今日はProc. 12、262–270 (2019)。

記事 CAS Google Scholar

Böger, L.、Wichmann, MHG、Meyer, LO & Schulte, K. 導電性ナノコンポジットエポキシマトリックスを使用したガラス繊維強化複合材料の負荷と状態のモニタリング。 コンポ。 科学。 テクノロジー。 68(7)、1886–1894 (2008)。

記事 Google Scholar

Ma、P.-C.、Mo、S.-Y.、Tang、B.-Z. & キム、J.-K. エポキシ複合材料における官能化カーボン ナノチューブの分散、界面相互作用、および再凝集。 カーボン 48(6)、1824 ~ 1834 年 (2010)。

記事 CAS Google Scholar

Qian, H.、Greenhalgh, ES、Shaffer, MSP & Bismarck, A. カーボン ナノチューブ ベースの階層複合材料: レビュー。 J. メーター。 化学。 20(23)、4751–4762 (2010)。

記事 CAS Google Scholar

彼、D. et al. ガラス繊維上の整列した CVD 成長カーボン ナノチューブの長さを調節することによる、導電性構造複合材料の設計。 ACS アプリケーションメーター。 インターフェース。 9(3)、2948–2958 (2017)。

論文 CAS PubMed Google Scholar

Mahmood, H.、Vanzetti, L.、Bersani, M. & Pegoretti, A. グラフェンでコーティングされた繊維を備えたガラスエポキシ複合材料の機械的特性とひずみモニタリング。 コンポ。 アプリケーション。 科学。 メーカー 107、112–123 (2018)。

記事 CAS Google Scholar

Tzounis, L.、Kirsten, M.、Simon, F.、Mäder, E. & Stamm, M. 多層カーボン ナノチューブと共有結合および非共有結合したガラス繊維の界面微細構造と電気特性。 カーボン 73、310–324 (2014)。

記事 CAS Google Scholar

Wiegand, N.、Haupt, M.、Mäder, E. & Cherif, C. 構造健全性モニタリングのためのカーボンおよび多機能ガラス繊維センサー糸の繊維加工に関する比較研究。 上級工学メーター。 18(3)、385–390 (2016)。

記事 CAS Google Scholar

アリ、マサチューセッツ州ら。 グラフェンでコーティングされたピエゾ抵抗生地で、液体複合材の成形プロセスを監視します。 コンポ。 科学。 テクノロジー。 148、106–114 (2017)。

記事 CAS Google Scholar

カーン、T.ら。 グラフェンでコーティングされたガラス繊維センサーと注入可能な熱可塑性および熱硬化性マトリックスを使用した樹脂注入プロセスのモニタリング。 ポリム。 コンポ。 43(5)、2924–2940 (2022)。

記事 CAS Google Scholar

シャオ、K.-T. & Advani、SG 樹脂トランスファー成形におけるレーストラッキング障害に対処するためのフローセンシングおよび制御戦略。 パート I: 設計とアルゴリズム開発。 コンポ。 アプリケーション。 科学。 メーカー 35(10)、1149–1159 (2004)。

記事 Google Scholar

Sozer, EM、Bickerton, S. & Advani, SG 液体複合金型充填プロセスのオンライン戦略的制御。 コンポ。 アプリケーション。 科学。 メーカー 31(12)、1383–1394 (2000)。

記事 Google Scholar

Bickerton, S.、Stadtfeld, HC、Sreiner, KV & Advani, SG 樹脂トランスファー成形用のアクティブ制御射出スキームの設計と応用。 コンポ。 科学。 テクノロジー。 61(11)、1625–1637 (2001)。

記事 Google Scholar

Yong,AXH、Aktas,A.、May,D.、Endruweit,A.、Lomov,SV 他、テキスタイル圧縮応答の実験的特性評価:ベンチマーク演習。 コンポ。 アプリケーション。 科学。 メーカー 142(2021)。

アリ、マサチューセッツ州ら。 MXene コーティングされたガラス布センサーによる鉄筋の圧縮応答の現場モニタリング。 コンポ。 科学。 テクノロジー。 227、109623 (2022)。

記事 CAS Google Scholar

Dominauskas, A.、Heider, D. & Gillespie, JW 液体複合成形プロセスにおけるオンライン流れセンシング用の電気時間領域反射率測定センサー。 コンポ。 アプリケーション。 科学。 メーカー 34(1)、67–74 (2003)。

記事 Google Scholar

Pandey, G.、Deffor, H.、Thostenson, ET & Heider, D. 複合材料製造中の非侵襲的な流れと硬化モニタリングのための統合された時間領域反射率測定センシングラインを備えたスマートツール。 コンポ。 アプリケーション。 科学。 メーカー 47、102–108 (2013)。

記事 CAS Google Scholar

Yu, Y.、Cui, X.、Liang, Z.、Qing, X.、Yan, W. 液体複合成形プロセスにおけるハイブリッド圧電ファイバーセンサーネットワークを使用した 3 次元樹脂フロー フロントのモニタリング。 コンポ。 科学。 テクノロジー。 229、109712 (2022)。

記事 CAS Google Scholar

松崎 R.、小林 S.、等々力 A.、水谷 Y. VaRTM プロセス中の多機能すだれ状電極アレイ フィルムを使用した樹脂の流れと温度の制御。 コンポ。 アプリケーション。 科学。 メーカー 42(7)、782–793 (2011)。

記事 Google Scholar

Danisman, M.、Tuncol, G.、Kaynar, A. & Sozer, EM 点電圧センサーを使用した樹脂トランスファー成形 (RTM) プロセスにおける樹脂の流れの監視。 コンポ。 科学。 テクノロジー。 67(3)、367–379 (2007)。

記事 CAS Google Scholar

Dai, H. & Thostenson, ET 流動および硬化モニタリング用の分散センサーとしてのスケーラブルで多機能なカーボン ナノチューブ ベースの繊維。 カーボン 164、28–41 (2020)。

記事 CAS Google Scholar

Rocha, H.、Fernandes, C.、Ferreira, N.、Lafont, U. & Nunes, JP 電気インピーダンス断層撮影法による CFRP 複合材料上の損傷の局在化。 メーター。 今日はコミュ。 32、104164 (2022)。

記事 CAS Google Scholar

Dai, H.、Thostenson, ET & Schumacher, T. カーボン ナノチューブ ベースの不織布複合材料を使用した新しい分散型ひずみセンサーの処理と特性評価。 センサー 15(7)、17728–17747 (2015)。

論文 ADS PubMed PubMed Central Google Scholar

Dai、H.、Gallo、GJ、Schumacher、T. & Thostenson、ET 分散型カーボン ナノチューブ ベースの複合センサーと電気インピーダンス断層撮影を組み合わせた、空間損傷の検出とイメージングのための新しい方法論。 J.ノンデストル。 評価。 35(2)、26 (2016)。

記事 Google Scholar

Luo, S. et al. 複合材料のその場モニタリングのための、調整可能なピエゾ抵抗率を備えたグラフェンセンサー/アレイのハイブリッドスプレーコーティング、レーザースクライビング、​​およびインク塗布。 カーボン 139、437–444 (2018)。

記事 CAS Google Scholar

Panozzo, F.、Zappalorto, M.、Carraro, PA & Quaresimin, M. ひび割れた対称積層板の電気抵抗変化と損傷状態: 閉じた形式のソリューション。 コンポ。 構造体。 184、1081–1091 (2018)。

記事 Google Scholar

ゴーダン、M.ら。 構造健全性モニタリングにおけるデータマイニングの進歩に関する最先端のレビュー。 測定 193、110939 (2022)。

記事 Google Scholar

Hassani, S.、Mousavi, M.、Gandomi, AH 複合構造における構造健全性モニタリング: 包括的なレビュー。 センサー 22(1)、153 (2022)。

記事 ADS CAS Google Scholar

Luo, S.、Obitayo, W. & Liu, T. ポリマー複合材料の生涯にわたる構造健全性モニタリングのための SWCNT 薄膜対応ファイバーセンサー - 製造から利用、故障まで。 カーボン 76、321–329 (2014)。

記事 CAS Google Scholar

MS イルファンら。 MXene およびグラフェンでコーティングされた多機能繊維強化航空宇宙用複合材で、感知機能と EMI シールド機能を備えています。 コンポ。 アプリケーション。 科学。 メーカー 165、107351 (2023)。

記事 CAS Google Scholar

Wang, G. et al. カーボンナノマテリアルの構造に依存する特性により、ファイバーセンサーによる複合材料の現場モニタリングが可能になりました。 コンポ。 構造体。 195、36–44 (2018)。

記事 Google Scholar

Luo, S. & Liu, T. グラファイト ナノプレートレットは、高分子複合材料の現場硬化モニタリングと構造健全性モニタリング用の埋め込み可能なファイバー センサーを実現しました。 ACS アプリケーションメーター。 インターフェース。 6(12)、9314–9320 (2014)。

論文 CAS PubMed Google Scholar

ウッド ディン、I. 他次世代のより電気的な航空構造のための自己感知複合サンドイッチ構造の電気機械的挙動。 コンポ。 構造体。 300、116169 (2022)。

記事 Google Scholar

ウッド ディン、I. 他還元酸化グラフェン (rGO) コーティングされた布地センサーが埋​​め込まれたスマート航空宇宙用サンドイッチ構造のレート依存ピエゾ抵抗特性評価。 コンポ。 共通。 36、101382 (2022)。

記事 Google Scholar

Can-Ortiz, A.、Abot, JL & Avilés, F. 炭素ベースの繊維の電気的特性評価と、ポリマー複合材料の緩和誘起ピエゾ抵抗を感知するためのその応用。 カーボン 145、119–130 (2019)。

記事 CAS Google Scholar

チェン、B.ら。 インダストリー 4.0 のスマート ファクトリー: 主要なテクノロジー、適用事例、課題。 IEEE Access 6、6505–6519 (2018)。

記事 Google Scholar

Li, C.、Chen, Y.、Shang, Y. インテリジェント製造における意思決定のための産業ビッグデータのレビュー。 工学科学。 テクノロジー。 内部。 J. 29、101021 (2022)。

Google スカラー

Qu、YJ、Ming、XG、Liu、ZW、Zhang、XY、Hou、ZT スマート製造システム: 最先端の技術と将来のトレンド。 内部。 J.Adv. メーカーテクノロジー。 103(9)、3751–3768 (2019)。

記事 Google Scholar

Cheng、GJ、Liu、LT、Qiang、XJ、Liu、Y。 インダストリー 4.0 の開発とインテリジェント製造の応用。 2016 年情報システムと人工知能に関する国際会議 (ISAI) (2016)、407-410。

アビコエ、OC et al. インダストリー 4.0 スマート マニュファクチャリングにおけるモノのインターネットとサイバー フィジカル システムの応用。 『スマート オートメーションとロボティクスにおけるサイバー フィジカル システムと IoT の出現』 (Singh、KK 編他) 203–217 (Springer International Publishing、2021)。

Google Scholar の章

Xu, LD、He, W. & Li, S. 産業におけるモノのインターネット: 調査。 IEEEトランス。 業界情報 10(4)、2233–2243 (2014)。

記事 Google Scholar

Tao, F.、Zhang, M. & Nee、AYC Digital Twin Driven Smart Manufacturing (Academic Press、2019)。

Google スカラー

Glaessgen, E.、Stargel, D. 将来の NASA および米国空軍車両のためのデジタル ツイン パラダイム。 第 53 回 AIAA/ASME/ASCE/AHS/ASC 構造、構造力学および材料会議にて、ハワイ、ホノルル (2012 年)。

テューゲル、E. 機体デジタル ツイン: 実現へのいくつかの課題 第 53 回 AIAA/ASME/ASCE/AHS/ASC 構造、構造力学および材料会議 (2012 年)。

Xiong, M. & Wang, H. 航空業界におけるデジタル ツイン アプリケーション: レビュー。 内部。 J.Adv. メーカーテクノロジー。 121(9)、5677–5692 (2022)。

記事 Google Scholar

Phanden, RK、Sharma, P.、Dubey, A. 航空宇宙、製造、ロボット工学向けのデジタル ツインのシミュレーションに関するレビュー。 メーター。 今日はProc. 38、174–178 (2021)。

記事 Google Scholar

ヘニング、F.ら。 自動車構造複合コンポーネントの高速処理と継続的シミュレーション。 コンポ。 科学。 テクノロジー。 171、261–279 (2019)。

記事 CAS Google Scholar

シャフト、M.ら。 モデリング、シミュレーション、情報技術、処理のロードマップ。 ナット。 飛行士。 スペース管理者。 32(2012)、1–38(2012)。

Google スカラー

Levy, A. & Kratz, J. 圧力マッピング センサーを使用した、不均一な浸透性を持つ材料における注入とフロー フロント トラッキングの直接数値シミュレーション。 J.コンポス。 メーター。 54(13)、1647–1661 (2019)。

記事 Google Scholar

チャイ、BXら。 液体複合成形プロセスの射出構成設計のためのシミュレーションベースの最適化: レビュー。 コンポ。 アプリケーション。 科学。 メーカー 149、106540​​ (2021)。

記事 CAS Google Scholar

Wijaya, W.、Bickerton, S.、ペンシルベニア州ケリー 多層 2D テキスタイル補強材のメソスケール圧縮シミュレーション: キルヒホッフに基づく大ひずみ非線形弾性構成トウ モデル、Compos。 アプリケーション。 科学。 メーカー 137 (2020)。

Boschert, S. & Rosen, R. デジタル ツイン - シミュレーションの側面。 Mechatronic Futures (Hehenberger, P. & Bradley, D. 編) (Springer、ベルリン、2016)。

Google スカラー

Yerbolat、G. et al. 混合則とモンテカルロシミュレーションによる複合材料の物性判定。 IEEE 先進製造国際会議 (ICAM) 2018、384–387 (2018)。

記事 Google Scholar

ドッドウェル、TJ et al. 不確実な製造欠陥を伴う複合構造のマルチレベル モンテカルロ シミュレーション。 おそらく。 工学メカ。 63、103116 (2021)。

記事 Google Scholar

Zhou, K.、Enos, R.、Xu, D.、Zhang, D. & Tang, J. マルチスケール複合製造シミュレーションによる不確実性解析のための階層型多重応答ガウス プロセス。 計算します。 メーター。 科学。 207、111257 (2022)。

記事 CAS Google Scholar

Li, L.、Aslam, S.、Wileman, A.、Perinpanayagam, S. 航空宇宙産業におけるデジタル ツイン: 穏やかな入門書。 IEEE Access 10、9543–9562 (2022)。

記事 Google Scholar

ying, Y.、Zheng, P.、Li, C. & Wang, L. 未来の人間中心の産業変革のための拡張現実支援デジタル ツインに関する最先端の調査。 ロボット。 コンピューティング-統合。 メーカー 81、102515 (2023)。

記事 Google Scholar

リー、S.ら。 人間とロボットの積極的なコラボレーション: 相互認知、予測可能、自己組織化の視点。 ロボット。 コンピューティング-統合。 メーカー 81、102510 (2023)。

記事 Google Scholar

Malik, AA、Masood, T. & Bilberg, A. 製造における仮想現実: 人間とロボットのワークスペースの設計における没入型で協調的な人工現実。 内部。 J.Comput. 統合します。 メーカー 33(1)、22–37 (2020)。

記事 Google Scholar

Pérez, L.、Rodríguez-Jiménez, S.、Rodríguez, N.、Usamentiaga, R. & García, DF マルチロボット製造セルのコミッショニングのためのデジタル ツインと仮想現実ベースの方法論。 応用科学。 10(10)、3633 (2020)。

記事 Google Scholar

Ali, MA、Umer, R. & Khan, KA マイクロ CT で生成されたデジタル ツインを使用した繊維強化用の仮想透過性測定フレームワーク。 内部。 J.ライトウェイトメーター。 メーカー 3(3)、204–216 (2020)。

Google スカラー

Huang, W.、Causse, P.、Hu, H. & Trochu, F. 材料双晶に基づく 2D ガラス織物の飽和横透過率の数値的および実験的研究。 ポリム。 コンポ。 41(4)、1341–1355 (2020)。

記事 CAS Google Scholar

Huang, W.、Xu, R.、Yang, J.、Huang, Q.、Hu, H. 材料双子に基づく FRP のデータ駆動型マルチスケール シミュレーション。 コンポ。 構造体。 256、113013 (2021)。

記事 Google Scholar

Ali, MA、Umer, R. & Khan, KA、インダストリー 4.0 における複合材料製造のための CT スキャン生成材料ツイン (Springer、2020)。

Google Scholar を予約する

Ali, MA、Guan, Q.、Umer, R.、Cantwell, WJ & Zhang, T. 織物のデジタル素材ツインを生成するための深層学習ツールを使用した μCT 画像の効率的な処理。 コンポ。 科学。 テクノロジー。 217、109091 (2022)。

記事 CAS Google Scholar

Ali, MA、Guan, Q.、Umer, R.、Cantwell, WJ & Zhang, T. 繊維状強化材のデジタル材料ツインを作成するための、μCT 画像の深層学習ベースのセマンティック セグメンテーション。 コンポ。 アプリケーション。 科学。 メーカー 139、106131 (2020)。

記事 Google Scholar

Huang, W.、Causse, P.、Brailovski, V.、Hu, H.、Trochu, F. マイクロ CT 支援幾何モデリングに基づくエンジニアリング テキスタイルのメソ構造材料ツイン モデルの再構築。 コンポ。 アプリケーション。 科学。 メーカー 124、105481 (2019)。

記事 Google Scholar

Song, Y.、Qu, Z.、Liao, H. & Ai, S. ResL-U-Net 畳み込みニューラル ネットワークに基づく織物ポリマー複合材料の材料双子生成。 コンポ。 構造体。 307、116672 (2023)。

記事 CAS Google Scholar

Yao, B.、Xu, W.、Shen, T.、Ye, X.、Tian, S. ロボット組立ライン向けのデジタル ツイン ベースのマルチレベル タスクの再スケジュール。 科学。 議員第 13(1)、1769 年 (2023)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Lu, Y.、Liu, C.、Wang, KIK、Huang, H.、Xu, X. デジタル ツイン駆動のスマート マニュファクチャリング: 含意、参照モデル、アプリケーション、および研究課題。 ロボット。 計算します。 統合します。 メーカー 61(2020)。

Seon, G.、Nikishkov, Y.、Makeev, A.、および Ferguson, L. オートクレーブ複合部品の減量中のボイド形成を軽減するためのデジタル ツインに向けて。 工学フラクト。 メカ。 225 (2020)。

Zambal, S.、Eitzinger, C.、Clarke, M.、Klintworth, J.、Mechin, P. 複合部品製造のデジタル ツイン: 製造データに基づく欠陥分析の効果。 2018 年の IEEE 第 16 回産業情報学国際会議 (INDIN) (2018)、803–808。

リー、J.、ラピラ、E.、バゲリ、B.、カオ、H.-A. ビッグデータ環境における予測製造システムの最近の進歩と傾向。 メーカーレット。 1(1)、38–41 (2013)。

記事 Google Scholar

Milanoski, D.、Galanopoulos, G.、Zarouchas, D.、Loutas, T. 損傷情報のないデジタル ツインに基づく、強化複合パネルのマルチレベル損傷診断。 構造体。 ヘルスモニター。 (2022) 14759217221108676。

DP の Milanoski、GK の Galanopoulos、TH の Loutas 構造健全性モニタリングを目的とした複合航空構造のデジタル ツイン。 2021 年の IEEE 8th International Workshop on Metrology for AeroSpace (MetroAeroSpace) (2021) 613–618。

Sisson, W.、Karve, P.、Mahadevan, S. コンポーネントの健康情報に基づいた回転翼航空機の飛行パラメータ最適化のためのデジタル ツイン アプローチ。 AIAA J. 60(3)、1923 ~ 1936 年 (2022)。

記事 ADS CAS Google Scholar

ラッセル、SJ 人工知能: 現代的なアプローチ (ピアソン エデュケーション、2010 年)。

数学 Google Scholar

ウィンストン、PH 人工知能 (Addison-Wesley、1992)。

数学 Google Scholar

ギラサ、R. 破壊的テクノロジーとしての AI、破壊的テクノロジーとしての人工知能: 経済変革と政府規制 3-21 (Springer、2020)。

Google スカラー

Chaudhary, V.、Kaushik, AK、Furukawa, H.、Khosla, A. 2D MXEN とボロフェンに基づく第 5 世代 AI および IoT 駆動の持続可能なインテリジェント センサーに向けて。 ECS センサー プラス (2022)。

Kaspar、C.、Ravoo、BJ、van der Wiel、WG、Wegner、SV、Pernice、WHP 知的物質の台頭。 Nature 594(7863)、345–355 (2021)。

論文 ADS CAS PubMed Google Scholar

メンネル、L.ら。 2D マテリアル ニューラル ネットワーク イメージ センサーを使用した超高速マシン ビジョン。 Nature 579(7797)、62–66 (2020)。

論文 ADS CAS PubMed Google Scholar

Gao, W.、Yu, C.、Chen, R. グラフェン光電子デバイスに基づく人工知能加速器。 上級光子。 解像度 2(6)、2100048 (2021)。

記事 Google Scholar

Lemme, MC、Akinwande, D.、Huyghebaert, C.、Stampfer, C. 将来の異種エレクトロニクスのための 2D 材料。 ナット。 共通。 13(1)、1392 (2022)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Konstantatos, G. 二次元材料に基づく光検出器の現状と技術的展望。 ナット。 共通。 9(1)、5266 (2018)。

論文 ADS CAS PubMed PubMed Central Google Scholar

キム、I.ら。 機械学習を使用したフィン電界効果トランジスタのシミュレータ加速と逆設計。 科学。 議員 12(1)、1140 (2022)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Wachter, S.、Polyushkin, DK、Bethge, O.、Mueller, T. 二次元半導体をベースにしたマイクロプロセッサ。 ナット。 共通。 8(1)、14948 (2017)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Tritsaris、GA、Carr、S. & Schleder、GR 人工知能を活用したモアレ アセンブリの計算設計。 応用物理学。 改訂版 8(3)、031401 (2021)。

記事 ADS CAS Google Scholar

Sorkun, MC、Astruc, S.、Koelman, JMVA & Er, S. 二次元材料発見のための人工知能支援の仮想スクリーニング レシピ。 NPJ コンピューティング。 メーター。 6(1)、106 (2020)。

記事 ADS Google Scholar

Huang, M.、Li, Z.、Zhu, H. 人工知能におけるグラフェンおよび関連材料の最近の進歩。 上級知性。 システム。 該当なし(該当なし) (2022)。

Qiu, C.、Han, Y.、Shanmugam, L.、Zhao, Y.、Dong, S.、Du, S.、Yang, J. 材料とレイアップ シーケンスを効率的に選択するための深層学習ベースの複合設計戦略指定されたデータベースから。 コンポ。 科学。 テクノロジー。 (2021)109154。

菊池 正人、小笠原 哲也、藤井 聡、武田 信一機械学習を適用して、埋め込み傾斜ファイバーブラッググレーティングセンサーを使用した炭素繊維強化プラスチック積層体の温度とひずみの同時測定の精度を向上させます。 コンポ。 アプリケーション。 科学。 メーカー 161、107108 (2022)。

記事 CAS Google Scholar

Salehi, H. & Burgueño, R. 構造工学における新しい人工知能手法。 工学構造体。 171、170–189 (2018)。

記事 Google Scholar

Balaji, R. & Sasikumar, M. ポリマー複合材料用のグラフェンベースのひずみおよび損傷予測システム。 コンポ。 アプリケーション。 科学。 メーカー 103、48–59 (2017)。

記事 CAS Google Scholar

レガット、M.ら。 ガラス繊維複合材料のひずみモニタリングを可能にするピエゾ抵抗コーティングとしてのグラフェン。 コンポ。 科学。 テクノロジー。 211、108842 (2021)。

記事 CAS Google Scholar

Alexopoulos, ND、Bartholome, C.、Poulin, P.、Marioli-Riga, Z. 埋め込まれたカーボン ナノチューブ (CNT) 繊維を使用したガラス繊維強化複合材料の構造健全性モニタリング。 コンポ。 科学。 テクノロジー。 70(2)、260–271 (2010)。

記事 CAS Google Scholar

Kalantari, M.、Dargahi, J.、Kövecses, J.、Mardasi, MG & Nouri, S. 半導体ポリマー複合材料に基づくピエゾ抵抗力センサーをモデル化するための新しいアプローチ。 IEEE/ASME Trans. メカトロン。 17(3)、572–581 (2012)。

記事 Google Scholar

Hajizadegan, M.、Sakhdari, M.、Abbasi, S.、Chen, PY 機械学習支援型多機能グラフェンベースの高調波センサー。 IEEE Sens. J. 21(6)、8333–8340 (2021)。

記事 ADS CAS Google Scholar

Shahbazi、Z. & Byun、Y.-C. ブロックチェーンと機械学習のアプローチに基づいたスマート製造のリアルタイム分析。 応用科学。 11(8)、3535 (2021)。

記事 CAS Google Scholar

フェルナンデス=レオン、J. 他液体成形による複合材料の製造中のレーストラッキング検出のための機械学習戦略。 統合します。 メーター。 メーカーイノヴ。 11(2)、296–311 (2022)。

記事 Google Scholar

González, C. & Fernández-León, J. 液体成形による複合材料の製造中に流れの乱れを検出するための機械学習モデル。 J.コンポス。 科学。 4(2)、71 (2020)。

記事 Google Scholar

メンディクテ、J. et al. 機械学習による樹脂トランスファー成形における含浸品質診断。 コンポ。 工学部B 221、108973 (2021)。

記事 CAS Google Scholar

Li, D.、Hua, S.、Li, Z.、Gong, X. & Wang, J. マルチスケール特徴学習を備えた炭素繊維の切断フィラメント用の自動ビジョンベースのオンライン検査システム。 IEEEトランス。 インストラム。 測定。 71、1–12 (2022)。

記事 Google Scholar

Sacco, C.、Baz Radwan, A.、Anderson, A.、Harik, R.、Gregory, E. 複合材料製造における機械学習: 自動繊維配置検査のケーススタディ。 コンポ。 構造体。 250 (2020)。

Tang, Y.、Wang, Q.、Cheng, L.、Li, J. & Ke, Y. 深層学習と自動ファイバー配置のための古典的なアルゴリズムを統合したインプロセス検査手法。 コンポ。 構造体。 300、116051 (2022)。

記事 Google Scholar

Meister, S.、Wermes, M. 繊維配置欠陥分類のための CNN および R-CNN ベースのラインごとの分析アルゴリズムのパフォーマンス評価。 製品。 工学 (2022年)。

Meister, S.、Wermes, M.、Stüve, J. & Groves, RM 自動複合材製造における繊維レイアップ欠陥の深層学習分類のための説明可能な人工知能手法に関する研究。 コンポ。 工学部B 224、109160 (2021)。

記事 Google Scholar

Meister, S.、Wermes, M.、Stüve, J. & Groves, RM 並列動作 SVM の相互評価 - 複合検査における信頼性の高い内部意思決定プロセスのための CNN 分類器。 J.マニュフ. システム。 60、620–639 (2021)。

記事 Google Scholar

リー、Xら。 DDSC-YOLOv5 を使用した、特定の航空エンジンのブレードとベーンのディープラーニング ベースの欠陥検出。 科学。 議員 12(1)、13067 (2022)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Rovinelli, A.、Sangid, MD、Proudhon, H. & Ludwig, W. 機械学習とデータ駆動型アプローチを使用して、多結晶材料における小さな疲労亀裂の駆動力を特定します。 NPJ コンピューティング。 メーター。 4(1)、35 (2018)。

記事 ADS Google Scholar

Marani, R.、Palumbo, D.、Galietti, U.、Stella, E.、Orazio, TD サーモグラフィーと教師なし機械学習を使用した複合材料の表面下の欠陥の自動検出。 2016 年の IEEE 第 8 回インテリジェント システム (IS) 国際会議、516–521 (2016)。

Gong, Y.、Shao, H.、Luo, J. & Li, Z. 航空複合材料の介在物欠陥検出のための深層転移学習モデル。 コンポ。 構造体。 252、112681 (2020)。

記事 Google Scholar

Lee, H.、Lim, HJ、Skiner, T.、Chattopadhyay, A. & Hall, A. ラム波とディープ オートエンコーダーを使用した複合構造の自動疲労損傷検出および分類技術。 メカ。 システム。 信号プロセス。 163、108148 (2022)。

記事 Google Scholar

Dabetwar, S.、Ekwaro-Osire, S.、Dias, JP ディープ ニューラル ネットワークとのデータ融合を使用した複合材料の損傷検出。 ASME Turbo Expo 2020: ターボ機械技術カンファレンスおよび展示会 (2020)

Bandara, S.、Herath, M.、Epaarachchi, J. 繊維強化複合構造の損傷特定に基づく感覚的手法と機械学習: 入門レビュー。 J. 強化プラスチック。 コンポ。 (2022年)。

Guo, P.、Meng, X.、Meng, W.、Bao, Y. 写真のインテリジェントな解釈によるひずみ硬化セメント複合材 (SHCC) の亀裂のモニタリングと自動特性評価。 コンポ。 工学部B 242、110096 (2022)。

記事 CAS Google Scholar

Yoon, J.、Lee, J.、Kim, G.、Ryu, S. & Park, J. ひずみゲージ センサーを使用したリアルタイムの亀裂検出と位置特定のためのディープ ニューラル ネットワーク ベースの構造健全性モニタリング技術。 科学。 議員 12(1)、20204 (2022)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Liu, H.、Liu, S.、Liu, Z.、Mrad, N. & Milani, AS 複合材料における層間剥離損傷の特性評価のためのデータ駆動型アプローチ。 IEEEトランス。 業界電子。 68(3)、2532–2542 (2021)。

記事 Google Scholar

Yu、H.、Seno、AH、Sharif Khodaei、Z.、Aliabadi、MHF ベイジアン ニューラル ネットワークに基づく構造健全性モニタリングの影響分類方法。 ポリマー 14(19)、3947 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Cassola, S.、Duhovic, M.、Schmidt, T. & May, D. ポリマー複合材料プロセス シミュレーションのための機械学習 - レビュー。 コンポ。 工学部B 246、110208 (2022)。

記事 CAS Google Scholar

Sharma, A.、Mukhopadhyay, T.、Rangappa, SM、Siengchin, S. & Kushvaha, V. ポリマー複合材料の計算知能の進歩: 機械学習支援モデリング。 分析と設計、工学における計算手法のアーカイブ 29(5)、3341–3385 (2022)。

Google スカラー

Tifkitsis、KI および Skordos、AA 樹脂トランスファー成形プロセスの充填段階におけるリアルタイムの不確実性推定。 ポリム。 コンポ。 41(12)、5387–5402 (2020)。

記事 CAS Google Scholar

Leukel, J.、González, J. & Riekert, M. 産業メンテナンスにおける故障予測のための機械学習テクノロジーの導入: 系統的レビュー。 J.マニュフ. システム。 61、87–96 (2021)。

記事 Google Scholar

Elenchezhian、MRP、Vadlamudi、V.、Raihan、R.、Reifsnider、K. & Reifsnider、E. 複合材料とその不確実性のリアルタイム診断と予測における人工知能 - 総説。 スマートメーター。 構造体。 30(8)、083001 (2021)。

記事 ADS Google Scholar

Nelon, C.、Myers, O. & Hall, A. 繊維強化複合材料の損傷評価と機械学習の交差点: レビュー。 J.コンポス。 メーター。 56(9)、1417–1452 (2022)。

記事 ADS Google Scholar

Zhu, J.、Droste, D.、Dimassi, A. & Herrmann, AS 圧力センサーを使用した樹脂トランスファー成形におけるフロー フロント推定のためのニューラル ネットワーク支援手法。 J.コンポス。 メーター。 56(19)、2979–2993 (2022)。

記事 ADS CAS Google Scholar

Zhang, J. & Pantelelis, NG ブートストラップ集約ニューラル ネットワーク モデルを使用したポリマー複合成形プロセスのモデリングと最適化制御。 電気情報制御工学国際会議 2011、2363–2366 (2011)。

Google スカラー

Golovatov, DA、Tatarkanov, AA、Shavaev, AA、Gusev, SA 複合プリフォームにポリマー樹脂を含浸させるプロセスの予測における最新の情報技術の使用。 2019 年国際会議「品質管理、輸送および情報セキュリティ、情報技術」(IT&QM&IS)、(2019) 486–489。

Stieber, S.、Schröter, N.、Schiendorfer, A.、Hoffmann, A.、Reif, W.、FlowFrontNet: CNN によるカーボン複合材製造の改善。 欧州会議、ECML PKDD (Springer、ゲント、2020) 411–426。

Stieber, S.、Schröter, N.、Fauster, E.、Schiendorfer, A.、および Reif, W. PermeabilityNets: CFRP 製造におけるシーケンスからインスタンスへのタスクに関するニューラル ネットワーク アーキテクチャの比較。 参照: 2021 第 20 回 IEEE 機械学習およびアプリケーション国際会議 (ICMLA)、(2021) 694–697。

Das, PP、Elenchezhian, M.、Vadlamudi, V.、Raihan, R.、人工知能は繊維強化ポリマー複合材料の残留強度と寿命予測を支援しました。 AIAA SCITECH 2023 フォーラム (2023)。

Hassan, H. & Tallman, TN 遺伝的アルゴリズムを利用したピエゾ抵抗反転による自己検知型ナノ複合材料の故障予測。 構造体。 ヘルスモニター。 19(3)、765–780 (2020)。

記事 Google Scholar

Fernández-Caramés, TM および Fraga-Lamas, P. 次世代のサイバーセキュア インダストリー 4.0 スマート ファクトリーへのブロックチェーンの適用に関するレビュー。 IEEE Access 7、45201–45218 (2019)。

記事 Google Scholar

Mandolla, C.、Petruzzelli, AM、Percoco, G. & Urbinati, A. ブロックチェーンの活用による積層造形のためのデジタル ツインの構築: 航空機産業の事例分析。 計算します。 Ind. 109、134–152 (2019)。

記事 Google Scholar

Teng, Y.、Li, L.、Song, L.、Yu, FR & Leung, VCM AI 対応の構成可能なブロックチェーンを介したスマート製造の利益を最大化します。 IEEE Internet Things J. 9(1)、346–358 (2022)。

記事 Google Scholar

Hasan, H.、AlHadhrami, E.、AlDhaheri, A.、Salah, K.、Jayaraman, R. 効率的な出荷管理のためのスマートな契約ベースのアプローチ。 計算します。 工業工学 136、149–159 (2019)。

記事 Google Scholar

Javaid, M.、Haleem, A.、Pratap Singh, R.、Khan, S. & Suman, R. インダストリー 4.0 向けブロックチェーン テクノロジー アプリケーション: 文献ベースのレビュー。 ブロックチェーン研究所応用 2(4)、100027 (2021)。

記事 Google Scholar

モンドラゴン、AEC、モンドラゴン、CEC & コロナド、ES 複合材料業界における製造サプライチェーンを強化するためのブロックチェーン技術の適用可能性を調査。 応用システム発明に関する IEEE 国際会議 (ICASI) 2018、1300–1303 (2018)。

記事 Google Scholar

Mondragon、AEC、Mondragon、CEC 複合材料によるサプライチェーンの強化: バス/バス製造における IT ツールによってサポートされる分析。 2017 年第 4 回産業工学および応用国際会議 (ICIEA)、121–125 (2017)。

Wang, J.、Wu, P.、Wang, X.、Shou, W. 建設エンジニアリング管理におけるブロックチェーン技術の展望。 フロント。 工学管理。 4(1)、67–75 (2017)。

記事 Google Scholar

アーマド、RW 他航空業界におけるブロックチェーン技術の役割。 IEEE Aerosp. 電子。 システム。 マグ。 36(3)、4–15 (2021)。

記事 Google Scholar

ハサン、HR 他デジタルツインを作成するためのブロックチェーンベースのアプローチ。 IEEE Access 8、34113–34126 (2020)。

記事 Google Scholar

Baalamurugan、KM、Bacanin、PPN、Venkatachalam、K.、Askar、SS & Abouhawwash、M. 産業用 IoT ベース システム用のブロックチェーン対応 K 高調波フレームワーク。 科学。 議員 13(1)、1004 (2023)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Rovira-Sugranes, A. & Razi, A. IoT センサーへのアプリケーションによるブロックチェーン テクノロジーの情報時代の最適化。 IEEE コミューン。 レット。 24(1)、183–187 (2020)。

記事 Google Scholar

リファレンスをダウンロードする

この研究は、カリファ科学技術大学からの内部助成金 CIRA-2020-007、助成金番号 8474000275 によって資金提供されています。

モハメド・A・アリ、モハメド・S・イルファン、タイヤブ・カーン、モハメド・Y・ハリド

現在の住所: アラブ首長国連邦、アブダビ、ハリファ科学技術大学 (KUST) 航空宇宙工学部

アラブ首長国連邦、アブダビ、ハリファ科学技術大学 (KUST) 航空宇宙工学科

モハメド・A・アリ、モハメド・S・イルファン、タイヤブ・カーン、モハメド・Y・ハリド、レハン・ウメル

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

MAA: 概念化、データキュレーション、方法論、形式分析、オリジナルドラフトの作成。 MSI: 方法論、データキュレーション、形式分析、オリジナルドラフトの作成。 TK: 図形の描画、執筆 - レビューと編集、MYK: 図形の描画、執筆 - レビューと編集R.U.: 概念化、監督、方法論、調査、資金調達、リソース、執筆 - レビューと編集。

リーハン・ウメルへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

アリ、MA、イルファン、MS、カーン、T. 他インダストリー 4.0 でデジタル マテリアルを生成するデータとしてのグラフェン ナノ粒子。 Sci Rep 13、4945 (2023)。 https://doi.org/10.1038/s41598-023-31672-y

引用をダウンロード

受信日: 2022 年 12 月 10 日

受理日: 2023 年 3 月 15 日

公開日: 2023 年 3 月 27 日

DOI: https://doi.org/10.1038/s41598-023-31672-y

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。