Belgif Linked Data Fragments server

Matches in Data.gov.be for { <http://data.gov.be/.well-known/genid/dataset/kulrdr/doi-10-48804/M3K9WS> ?p ?o ?g. }

• M3K9WS accessRights PUBLIC @default.
• M3K9WS bibliographicCitation "Florenciano Cano, Isidro; Molina Lopez, Francisco; Sergio Tortosa Martinez, 2025, "Replication Data for: Machine Learning-Driven Optimization of Thermoelectric Materials Laser-Printed on Flexible Substrate", https://doi.org/10.48804/M3K9WS, KU Leuven RDR, V1" @default.
• M3K9WS created "2026-03-04T10:51:10Z" @default.
• M3K9WS creator 10816314235a5e800989c0d58c54ac920a9773ed @default.
• M3K9WS creator 0000-0002-4329-4059 @default.
• M3K9WS creator 0000-0003-3665-5941 @default.
• M3K9WS description "Données de réplication pour l'optimisation axée sur l'apprentissage automatique des matériaux thermoélectriques imprimés au laser sur un substrat flexible. Résumé : Le développement de générateurs thermoélectriques (TE) flexibles, légers et évolutifs est essentiel pour alimenter les appareils portables et Internet des objets (IoT) de nouvelle génération. Cependant, les voies de fabrication conventionnelles pour le matériau de référence à base de Bi2Te3 se limitent à la production de dispositifs rigides et petits. Les procédés d'impression émergents tels que la fusion de poudre de lit laser (LBPF) permettent la flexibilité et la mise en forme libre, mais au détriment des performances réduites. Dans cette étude, nous utilisons l'apprentissage automatique (ML) pour optimiser les performances TE des matériaux à base de Bi0.5Sb1.5Te3 fabriqués en LBPF et imprimés sur un substrat flexible. En comparant plusieurs frameworks ML, nous avons développé un outil prédictif capable de prescrire la concentration Sb, les paramètres de traitement laser et l'atmosphère d'impression, ce qui permet d'obtenir les performances les plus élevées. Une amélioration de ~4% du facteur de puissance moyen, jusqu'à 1282 μW m-1 K-2, est obtenue par rapport aux matériaux initiaux les plus performants identifiés par une recherche traditionnelle exhaustive de l'espace expérimental. Un module de récupération d'énergie TE imprimé flexible produit avec les matériaux optimisés et occupant 4 cm2 affiche une puissance de sortie de 44 μW à ΔT = 30 K. Cette approche fait progresser la fabrication de matériaux TE basés sur les données et améliore la compréhension des relations LPBF-propriété, ouvrant la voie à des TEG flexibles et hautes performances pour l'IoT de nouvelle génération et les systèmes portables." @default.
• M3K9WS description "Replicatiegegevens voor Machine Learning-Driven Optimization of Thermoelectric Materials Laser-Printed on Flexible Substrate . Samenvatting: De ontwikkeling van flexibele, lichtgewicht en schaalbare thermo-elektrische (TE) generatoren is van cruciaal belang voor het aandrijven van draagbare en Internet-of-Things (IoT) apparaten van de volgende generatie. De conventionele fabricageroutes voor het benchmarkmateriaal op basis van Bi2Te3 zijn echter beperkt tot de productie van stijve en kleine apparaten. Opkomende drukprocessen zoals laserbedpoederfusie (LBPF) maken flexibiliteit en vrije vormgeving mogelijk, maar ten koste van verminderde prestaties. In deze studie gebruiken we machine learning (ML) om de TE-prestaties van LBPF-gefabriceerde Bi0.5Sb1.5Te3-gebaseerde materialen die op een flexibel substraat zijn gedrukt, te optimaliseren. Door meerdere ML-frameworks te vergelijken, hebben we een voorspellend hulpmiddel ontwikkeld dat de Sb-concentratie, laserverwerkingsparameters en afdrukatmosfeer kan voorschrijven, wat leidt tot de hoogste prestaties. Een verbetering van ~4% in gemiddelde machtsfactor, tot 1282 μW m-1 K-2, wordt bereikt vergeleken met de aanvankelijk best presterende materialen die door een uitvoerige traditionele onderzoek van de experimentele ruimte worden geïdentificeerd. Een flexibele gedrukte TE-energieoogstmodule die met de geoptimaliseerde materialen wordt geproduceerd en 4 cm2 beslaat, geeft een uitgangsvermogen van 44 μW bij ΔT = 30 K. Deze aanpak bevordert de gegevensgestuurde productie van TE-materialen en verbetert het begrip van LPBF-eigendomsrelaties, waardoor de weg wordt geëffend voor krachtige, flexibele TEG's voor IoT en draagbare systemen van de volgende generatie." @default.
• M3K9WS description "Replication data for Machine Learning-Driven Optimization of Thermoelectric Materials Laser-Printed on Flexible Substrate . Abstract: The development of flexible, lightweight, and scalable thermoelectric (TE) generators is critical for powering next-generation wearable and Internet-of-Things (IoT) devices. However, conventional fabrication routes for the benchmark Bi2Te3-based material are limited to the production of rigid and small devices. Emerging printing processes like laser bed powder fusion (LBPF) enable flexibility and free shaping, but at the expense of decreased performance. In this study, we utilize machine learning (ML) to optimize the TE performance of LBPF-fabricated Bi0.5Sb1.5Te3-based materials printed on a flexible substrate. By comparing multiple ML frameworks, we developed a predictive tool able to prescribe the Sb concentration, laser processing parameters, and printing atmosphere, leading to the highest performance. A ~4% improvement in average power factor, up to 1282 µW m-1 K-2, is achieved compared to the initial best-performing materials identified by an exhaustive traditional search of the experimental space. A flexible printed TE energy harvesting module produced with the optimized materials and occupying 4 cm2 displays a power output of 44 µW at ΔT = 30 K. This approach advances data-driven TE materials manufacturing and enhances the understanding of LPBF–property relationships, paving the way to high-performance, flexible TEGs for next-generation IoT and wearable systems." @default.
• M3K9WS description "Replikationsdaten für Machine Learning-Driven Optimization of Thermoelectric Materials Laser-Printed on Flexible Substrate . Zusammenfassung: Die Entwicklung flexibler, leichter und skalierbarer thermoelektrischer Generatoren (TE) ist entscheidend für die Stromversorgung von Wearable- und Internet-of-Things-Geräten (IoT) der nächsten Generation. Herkömmliche Herstellungswege für das Benchmark-Material auf Bi2Te3-Basis beschränken sich jedoch auf die Herstellung von starren und kleinen Geräten. Aufkommende Druckprozesse wie Laserbettpulverfusion (LBPF) ermöglichen Flexibilität und freie Formgebung, aber auf Kosten einer verminderten Leistung. In dieser Studie nutzen wir maschinelles Lernen (ML), um die TE-Leistung von LBPF-gefertigten Bi0.5Sb1.5Te3-basierten Materialien zu optimieren, die auf einem flexiblen Substrat gedruckt werden. Durch den Vergleich mehrerer ML-Frameworks haben wir ein prädiktives Werkzeug entwickelt, das in der Lage ist, die Sb-Konzentration, die Laserverarbeitungsparameter und die Druckatmosphäre vorzuschreiben, was zu höchster Leistung führt. Eine Verbesserung des durchschnittlichen Leistungsfaktors um ~4%, bis zu 1282 μW m-1 K-2, wird im Vergleich zu den anfänglich leistungsfähigsten Materialien erreicht, die durch eine erschöpfende traditionelle Suche im Versuchsraum identifiziert wurden. Ein flexibles gedrucktes TE-Energiegewinnungsmodul, das mit den optimierten Materialien hergestellt wurde und 4 cm2 belegt, zeigt eine Leistung von 44 μW bei ΔT = 30 K. Dieser Ansatz fördert die datengesteuerte Herstellung von TE-Materialien und verbessert das Verständnis der LPBF-Eigenschaftsbeziehungen und ebnet den Weg zu leistungsstarken, flexiblen TEGs für IoT- und Wearable-Systeme der nächsten Generation." @default.
• M3K9WS identifier "doi:10.48804/M3K9WS" @default.
• M3K9WS issued "2026-03-04T16:20:56Z" @default.
• M3K9WS modified "2026-03-04T16:20:56Z" @default.
• M3K9WS publisher 0419052173 @default.
• M3K9WS title "Données de réplication pour: Optimisation axée sur l'apprentissage automatique des matériaux thermoélectriques imprimés au laser sur un substrat flexible" @default.
• M3K9WS title "Replicatiegegevens voor: Machine Learning-Driven Optimalisatie van Thermo-elektrische Materialen Laser-Printed op Flexibel Substraat" @default.
• M3K9WS title "Replication Data for: Machine Learning-Driven Optimization of Thermoelectric Materials Laser-Printed on Flexible Substrate" @default.
• M3K9WS title "Replikationsdaten für: Maschinelles Lernen - Optimierung thermoelektrischer Materialien auf flexiblem Substrat" @default.
• M3K9WS citedBy genid67723 @default.
• M3K9WS type Dataset @default.
• M3K9WS contactPoint genid67724 @default.
• M3K9WS keyword "Machine learning" @default.
• M3K9WS keyword "Thermoelectric" @default.
• M3K9WS landingPage M3K9WS @default.
• M3K9WS theme TECH @default.
• M3K9WS version "1" @default.