The increasing demands of device applications in harsh environments have led to higher expectations for temperature and pressure resistance in high-temperature piezoelectric materials. In order to understand the performance characteristics of BiScO3-PbTiO3 (BS-PT) high-temperature piezoelectric materials in practical device applications, this study focuses on analyzing the dielectric, piezoelectric, and ferroelectric properties of BS-64PT ceramics under uniaxial stress up to 150 MPa, as well as its electromechanical performance under a hydrostatic pressure of up to 400 MPa. As the uniaxial pressure increases, both the bias-field and large-signal piezoelectric coefficients exhibit a pattern of initially increasing and subsequently decreasing. Furthermore, the bias-field piezoelectric coefficient exceeds 450 pC/N and the large-signal piezoelectric coefficient surpasses 630 pC/N under uniaxial pressures below 100 MPa. This highlights their exceptional resistance to depolarization caused by uniaxial stress. To obtain more precise piezoelectric properties for BS-64PT ceramics in the 31 and 33 modes under hydrostatic pressure, the admittance fitting method was utilized. This method takes into account the significant losses at higher pressures. Within the pressure range of 0–400 MPa, the values of d33 and d31 for BS-64PT ceramics exhibited a minor change of 7.6% and 8%, respectively. These findings indicate that BS-64PT ceramics exhibit more stable piezoelectric properties under both uniaxial and hydrostatic pressures when compared to the majority of Pb-based perovskite-structured materials. The exceptional stability of piezoelectric properties in BS-PT ceramics can be primarily attributed to their elevated anisotropy energy or coercivity field compared to other perovskite-structured Pb(Mg1/3Nb2/3)O3 (PMN) / Pb(Zr,Ti)O3 (PZT)-based ceramics reported.

Abstract Ultrasound localization microscopy (ULM) is an emerging super-resolution imaging technique for deep tissue microvascular imaging. However, conventional localization methods are constrained by low microbubble (MB) concentration, as accurate localization requires a strict separation of MB point spread functions (PSFs). Furthermore, deep learning-based localization techniques are often limited in their ability to generalize to in vivo ultrasound data due to challenges in accurately modeling highly variable MB PSF distributions and ultrasound imaging conditions. To address these limitations, we propose a novel deep learning-pipeline, LOcalization with Context Awareness (LOCA)-ULM, which employs simulation that incorporates MB context to generate synthetic data that closely resemble real MB signals, and a loss function that considers both MB count and localization loss. In in silico experiments, LOCA-ULM outperformed conventional localization with superior MB detection accuracy (94.0% vs. 74.9%) and a significantly lower MB missing rate (13.2% vs 74.8%). In vivo , LOCA-ULM achieved up to three-fold increase in MB localization efficiency and a × 9.5 faster vessel saturation rate than conventional ULM.

Riparian zones play a crucial role in reducing nitrate pollution in both terrestrial and aquatic environments. Complex deposition action and dynamic hydrological processes will change the grain size distribution of riparian sediments, affect the residence time of substances, and have a cascade effect on the biogeochemical process of nitrate nitrogen (NO