【太原理工大学｜Small】自供能热电-机器学习协同材料识别戒指

PART 01

文章信息

题目： Self-Powered Machine-Learning-Assisted Material Identification Enabled by a Thermogalvanic Dual-Network Hydrogel with a High Thermopower

作者： Yunsheng Li, Wenxu Wang, Xiaojing Cui, Ning Li, Xueliang Ma, Zhaosu Wang, Yuyou Nie, Zhiquan Huang, Hulin Zhang

单位： 太原理工大学电子信息与光学工程学院；山西师范大学物理与信息工程学院；太原科技大学机械工程学院

期刊： Small，2025年，第21卷，2405911

DOI： https://doi.org/10.1002/smll.202405911

PART 02

一句话亮点

构建了 高热电势（4.01 mV·K⁻¹）的热电化学双网络凝胶 ，结合机器学习，实现 无需外部供能的材料智能识别 ，总体识别准确率高达 97.2% 。

PART 03

研究背景与科学问题

人类可通过触觉中的“冷热感”快速判断材料属性，这一过程本质上源于 界面热传输差异 。现有柔性传感器多依赖外部供电（压阻、电容）或复杂结构（摩擦电、压电），在可穿戴与长期使用场景中存在局限。 热电化学（Thermogalvanic）凝胶可直接将微弱温差转化为电信号，具有 低成本、生物相容性好、结构柔软 等优势，但此前研究主要集中于温度感知， 鲜有用于材料识别 。

本工作的核心科学问题在于：

如何提升热电化学凝胶的 热电势与稳定性 ？

能否利用 自发产生的电信号 ，在无电池条件下实现材料识别？

如何将 机器学习 引入触觉传感，实现高精度判别？

PART 04

技术原理与创新点

热电化学双网络凝胶（TG-DNH）设计

PAAm/明胶构成双网络骨架，兼具高强度与高柔性；

引入 [Fe(CN)₆]³⁻/⁴⁻ 作为氧化还原对，实现温差驱动电化学反应。

关键电解质协同调控

LMS（锂镁硅酸盐） 扩大凝胶孔径，促进离子迁移；

Gdm⁺（胍离子） 重构溶剂化结构，显著放大氧化还原熵差，使热电势提升至 4.01 mV·K⁻¹ ；

Li⁺/Br⁻ 抑制水分挥发，提升长期稳定性。

自供能材料识别机理

接触不同材料 界面热传输不同 凝胶两端温差不同 输出特征化电压曲线。

机器学习判别

从电压曲线中提取 ΔVA、ΔVB、ΔVA/ΔVB、Vm 等特征，采用 随机森林（RF）算法 实现材料分类。 创新点在于 ：首次将 热电化学自供能凝胶与机器学习 深度融合，用于主动式材料识别。

PART 05

实验验证与性能

热电性能 （图3）

最大热电势： 4.01 mV·K⁻¹ （0.6 m Gdm⁺）；

最大输出功率： 51.5 μW （ΔT = 25 K）；

最大功率密度：≈ 0.99 W·m⁻² 。

机械性能 （图2）

最大拉伸应变： 325% ；

循环拉伸、压缩 50 次后性能基本无衰减。

材料识别性能 （图4）

识别材料：铝、黄铜、不锈钢、陶瓷、亚克力、木材、泡沫；

平均识别准确率： 97.2% ；

PCA 显示各材料类别具有良好可分性。

PART 06

学术贡献

提出一种 高热电势热电化学双网络凝胶体系 ；

实现了 完全自供能的材料识别传感模式 ；

将 随机森林机器学习算法 引入触觉材料识别；

为 人机交互与人工触觉智能 提供了新技术路线。

PART 07

局限性与未来方向

当前识别对象为宏观材料，尚未涉及表面粗糙度或微结构差异；

识别精度依赖训练数据规模，仍需进一步扩展数据集；

未来可拓展至 多模态触觉（温度+压力）融合 及可穿戴电子皮肤系统。

PART 08

总结

该研究通过材料设计、热电化学调控与机器学习算法协同，实现了 无需外部供电的智能材料识别 。这一工作不仅拓展了热电化学凝胶的应用边界，也为下一代 自供能触觉感知与人机交互系统 提供了重要启示。

PART 09

图文赏析

图1 ：热电化学双网络凝胶结构及材料识别戒指（MIR）工作示意图。

图2 ：凝胶孔结构调控、热电性能与力学性能对比。

图3 ：热电化学工作机理、热电势、电流与输出功率特性。

图4 ：不同材料接触产生的电压曲线、特征提取及机器学习识别结果。