Piëzo materialen worden al veel toegepast. Er zijn diverse nieuwe ontwikkelingen, zoals het piëzo effect in composieten (PVDF). Het blijkt dat deze ontwikkelingen nog in een pril stadium zijn en voorlopig niet commercieel beschikbaar. Ondanks dat het piëzo principe al jaren bestaat weten ontwerpers er nog relatief weinig van. Het piëzo principe is misschien wel bekend, maar hoe deze materialen te gebruiken in een productontwerp is een grote stap verder. Bij piëzo wordt een mechanische spanning omgezet in een elektrische spanning en vice versa. Er zijn vele piëzo elementen (halffabricaten) commercieel beschikbaar. Al naargelang de gewenste toepassing, lineaire beweging, energy harvesting, sensor etc. kan het geschikte element worden gekozen. In dit document wordt de piëzo techniek uitgelegd aan de hand van voorbeelden. Doel is om inzicht te krijgen in de mogelijkheden, om zo een geschikte piëzo-techniek te kiezen. Dit document is opgeleverd in het project Innovatief Materialen Platform Twente (IMPT). In dit project heeft het IMPT 75 innovatieve materialen in kaart gebracht. Met een tiental materialen is toegepast onderzoek gedaan, zodat ondernemers en ontwerpers weten of en hoe zij deze kunnen toepassen.
MULTIFILE
In het kader van actualisering van voorlichtingspublicaties (een samenwerkingsverband tussen FDP, FME, NIL, NIMR, Syntens en TNO Industrie & Techniek), is deze voorlichtingspublicatie aangepast aan de huidige stand der techniek. De originele publicatie is in 1991 tot stand gekomen door samenwerking van de Vereniging FME/CWM en het Nederlands Instituut voor Lastechniek in het kader van het FME/NIL project "Het lijmen als verbindingstechniek"
Designing lead-free piezoelectric ceramics with tailored electrical properties remains a critical challenge for various applications. In this paper we present a novel methodology integrating Machine Learning (ML) and optimization procedures to fine-tune electrical properties in lead-free (1-x) Na0.5 Bi0.5 TiO3 - x CaTiO3 piezoelectric ceramics. A comprehensive dataset of dielectric measurements serves as the foundation for training ML models that accurately predict the permittivity (𝜀′) and dielectric loss (tan 𝛿) as functions of Ca2+concentration (x % Ca), temperature and frequency. Two ML techniques are evaluated: random forest regression, and Multi-Layer Perceptron neural network Regression (MLPR). The MLPR model exhibited a superior regression performance, achieving a correlation coefficient of 0.931 and a root mean squared error of 0.029. The MLPR was then optimized by the Non-dominated Sorting Genetic Algorithm II (NSGA-II) to maximizes 𝜀′ while minimizes tan 𝛿. Within the NSGA-II framework, the optimal values were found at the Pareto curve knee, corresponding to a frequency, temperature, and x % Ca of 609.739 kHz, 398.15 K, and 6.10, respectively, resulting in 𝜀′ equal to 857.87 and tan 𝛿 equal to 0.0120. This approach demonstrates the effectiveness of combining ML andoptimization for designing the electrical properties of piezoelectric ceramics, paving the way for more efficient and targeted material development.
