安徽大学岳阳/王思亮AM：开发出渗透能直驱柔性压力传感器

摘要：渗透能作为一种广泛存在于海水、盐碱湖等自然环境中的可再生资源，其开发利用一直面临重大挑战：传统的渗透能收集往往需要经过收集、储存和转换等多个复杂步骤，限制了其在便携式电子设备中的应用。如何实现渗透能的直接、高效利用，成为当前能源与传感领域的研究热点。

渗透能作为一种广泛存在于海水、盐碱湖等自然环境中的可再生资源，其开发利用一直面临重大挑战：传统的渗透能收集往往需要经过收集、储存和转换等多个复杂步骤，限制了其在便携式电子设备中的应用。如何实现渗透能的直接、高效利用，成为当前能源与传感领域的研究热点。

近日，安徽大学岳阳副教授、王思亮副教授和湖北汽车工业学院马亚楠教授合作，受人体皮肤生物传感机制的启发，成功开发出一种直接由渗透能驱动的离子型压力传感器。该传感器利用二维材料的可调纳米流体效应，通过机械调控层间距来实现离子选择性迁移，从而将外部压力转化为可编码的电信号。经几何结构优化后，该传感器表现出超高输出电压（达13.10 V）、快速响应/恢复时间（115.0/128.0 ms）和宽压力检测范围（最高360 kPa）。结合深度学习算法，该传感器在单传感器手势识别中实现了95.78%的准确率，为人机交互提供了全新解决方案。相关论文以“Osmotic Energy Directly Driving Flexible All-Solid-State 2D Nanofluidic Pressure Sensors”为题，发表在

Advanced Materials上，论文第一作者为Yu Gengchen。

图1展示了该离子型压力传感器的工作机制。与传统纳米流体系统需经历能量的生成、转换与利用多个阶段不同，该传感器借鉴了人体皮肤机械感受器的工作方式，通过离子浓度梯度直接产生电信号。图1c和d分别对比了生物皮肤与离子型压力传感器的工作过程。模拟结果显示，当垂直多通道尺寸从2纳米压缩至1纳米时，阳离子分布更集中（图1e），离子选择性、扩散通量与电位差均随通道尺寸减小而显著提高（图1f–h）。这一机制源于双电层重叠效应增强了纳米通道内的离子选择性。

图1. 离子型压力传感器的工作机制。 a) 传统纳米流体系统中能量的生成、转换与利用示意图。 b) 离子型压力传感器的工作原理示意图。 c,d) 生物皮肤（c）与离子型压力传感器（d）的工作过程示意图。 e) 垂直多通道尺寸从2 nm压缩至1 nm时的阳离子分布。 f) 垂直多通道模型中离子选择性、扩散通量与电位差随通道尺寸的变化。 g) 单通道中心轴线上阳离子浓度分布的放大视图。 h) 阳离子浓度与通道尺寸的定量关系。

图2进一步通过理论计算揭示了二维氧化石墨烯（GO）纳米通道中的离子传输机制。GO表面富含含氧官能团，呈现不均匀静电电位分布（图2a,b），导致阳离子（K⁺）比阴离子（OH⁻）更易吸附和迁移（图2c–f）。DFT计算表明，K⁺的迁移能垒远低于OH⁻，层间距的减小显著降低了K⁺的层间迁移能垒（图2g,h），从而优化了整个离子传输过程。电化学阻抗谱（EIS）结果验证了在周期性外力作用下离子电导率的变化（图2i,j），进一步支撑了该传感器在压力下的力-电转换机制。

图2. 二维纳米流体通道中的离子传输机制。 a) GO表面阳离子/阴离子传输示意图。 b) GO的静电电位分布图。 c) K⁺和OH⁻在GO表面的吸附能。 d) K⁺和OH⁻在GO表面的差分电荷密度图。 e) K⁺和OH⁻在GO上的迁移能垒。 f) K⁺和OH⁻在GO表面的迁移路径。 g) 不同层间距下K⁺的层间与层内迁移能垒。 h) 层间距为16.5 Å和6.5 Å时K⁺迁移示意图。 i,j) 压力传感器在按压（i）和释放（j）过程中的EIS谱图。

图3全面展示了该压力传感器的性能。传感器具备快速的响应与恢复时间（图3a），能够准确检测不同频率的刺激信号（图3b），并在4万次循环测试后仍保持稳定（图3c）。随着压力增大，电流-电压曲线斜率逐渐变陡（图3e），说明内部电阻减小，离子迁移效率提高。此外，该传感器还表现出良好的充放电特性（图3f,g），可通过叠加氧化还原电位进一步提升输出电压（图3h–j），例如使用铝箔与MXene叠加后电位可达1.38 V。

图3. 压力传感器的性能。 a) 传感器在低压力和高压力下的响应与恢复时间。 b) 传感器在不同频率下的力-电响应。 c) 传感器在4万次循环测试中的稳定性。 d,e) 传感器在不同压力下的力-电响应曲线（d）和I–V曲线（e）。 f) 压力传感器的恒电流充放电（GCD）曲线。 g) 充放电过程中离子定向迁移示意图。 h,i) 装置结构产生氧化还原电位、浓度差电位及叠加电位示意图（h），以及在360 kPa下对应的最大输出电压（i）。 j) 在一侧覆盖MXene、Zn和Al箔时传感器的力-电响应曲线。

图4介绍了仿电鳗发电器官的堆叠设计策略，通过垂直堆叠多个单元，实现了高达13.1 V的输出电压（图4c），能直接点亮LED灯（图4d）。与非堆叠设计相比，堆叠传感器在灵敏度、响应时间和动态监测性能方面均显著提升（图4e–g），展现出良好的集成与应用潜力。

图4. 堆叠设计与压力传感器的相应性能。 a) 电鳗产生超高电压的示意图。 b) 垂直堆叠设计的装置及放大单元示意图。 c) 垂直堆叠设计实现最高13.1 V的输出电压。 d) 该装置可成功点亮LED灯泡。 e–g) 非堆叠与堆叠传感器在力-电响应（e）、响应/恢复时间（f）和静态/动态监测（g）方面的对比。

图5则展示了该传感器与深度学习算法结合，应用于人机交互的实际场景。通过单传感器检测手腕肌腱的微小波动，系统能够实时识别不同手势，并控制机械臂进行相应动作（图5a,d,e）。神经网络模型对五种手势的识别准确率高达95.78%（图5b,c），表现出极强的实用性和泛化能力。