TĂNG CƯỜNG HIỆU QUẢ NHẬN DIỆN KHÍ ĐỘC SỬ DỤNG MỘT ĐA CẢM BIẾN MOS VÀ CÁC MÔ HÌNH HỌC MÁY | Việt | TNU Journal of Science and Technology

TĂNG CƯỜNG HIỆU QUẢ NHẬN DIỆN KHÍ ĐỘC SỬ DỤNG MỘT ĐA CẢM BIẾN MOS VÀ CÁC MÔ HÌNH HỌC MÁY

Thông tin bài báo

Ngày nhận bài: 15/01/24                Ngày hoàn thiện: 23/02/24                Ngày đăng: 23/02/24

Các tác giả

1. Nguyễn Ngọc Việt Email to author, Trường Đại học Phenikaa
2. Ninh Thị Như Hoa, Trường Đại học Phenikaa
3. Phan Hồng Phước, Trường Đại học Phenikaa
4. Nguyễn Văn Hiếu, Trường Đại học Phenikaa

Tóm tắt


Mũi điện tử được định nghĩa như một thiết bị thông minh trong nhận diện và phân tích khí. Mũi điện tử thường gồm hai phần chính là dãy đa cảm biến (khứu giác) và phần mềm xử lý thông minh (não bộ). Nghiên cứu này trình bày một thiết kế thiết bị đo khí sử dụng chíp đa cảm biến trên cơ sở vật liệu bán dẫn oxit kim loại (MOS). Các khảo sát đối với các khí độc hại NH3, CO, và NO2 tại một số nồng độ khác nhau đã được tiến hành. Dữ liệu đo đáp ứng khí cho thấy đa cảm biến sử dụng có ba vi cảm biến MOS có độ chọn lọc tốt với lần lượt từng khí đo. Kết quả này cũng chứng minh việc sử dụng một đa cảm biến sẽ cho phép nhận diện dễ dàng hơn các khí so với việc chỉ dùng một cảm biến riêng lẻ. Bên cạnh đó, một số mô hình học máy tiêu biểu của trí tuệ nhân tạo (AI) cũng đã được sử dụng để phân tích dữ liệu đáp ứng khí, gồm PCA, LDA, SVM, DT, và RF. Hiệu suất của các mô hình được đánh giá thông qua tỉ lệ nhận diện chính xác các mẫu khí. Kết quả chỉ ra rằng việc sử dụng các mô hình học máy đã tăng cường hiệu quả phân loại khí, đặc biệt là các mô hình DT và RF. Nghiên cứu có thể cung cấp các đóng góp giá trị cho việc thiết kế các mũi điện tử nhằm ứng dụng phân tích đa khí trong nhiều môi trường khác nhau.

Từ khóa


Đa cảm biến; Độ chọn lọc; Học máy; Mũi điện tử; Phát hiện khí độc

Toàn văn:

PDF

Tài liệu tham khảo


[1] S. Feng et al., “Review on smart gas sensing technology,” Sensors (Switzerland), vol. 19, no. 17, pp. 1–22, 2019, doi: 10.3390/s19173760.

[2] P. Boeker, “On ‘Electronic Nose’ methodology,” Sensors Actuators, B Chem., vol. 204, pp. 2–17, 2014, doi: 10.1016/j.snb.2014.07.087.

[3] D. Karakaya, O. Ulucan, and M. Turkan, “Electronic Nose and Its Applications: A Survey,” Int. J. Autom. Comput., vol. 17, no. 2, pp. 179–209, 2020, doi: 10.1007/s11633-019-1212-9.

[4] H. Nazemi, A. Joseph, J. Park, and A. Emadi, “Advanced micro-and nano-gas sensor technology: A review,” Sensors (Switzerland), vol. 19, no. 6, 2019, doi: 10.3390/s19061285.

[5] Z. Wu, H. Wang, X. Wang, H. Zheng, Z. Chen, and C. Meng, “Development of electronic nose for qualitative and quantitative monitoring of volatile flammable liquids,” Sensors (Switzerland), vol. 20, no. 7, 2020, doi: 10.3390/s20071817.

[6] J. Zhang et al., “A miniaturized electronic nose with artificial neural network for anti-interference detection of mixed indoor hazardous gases,” Sensors Actuators, B Chem., vol. 326, 2021, Art. no. 128822, doi: 10.1016/j.snb.2020.128822.

[7] V. M. H. Ho et al., “Superior detection and classification of ethanol and acetone using 3D ultra-porous γ-Fe2O3 nanocubes-based sensor,” Sensors Actuators B Chem., vol. 362, 2022, Art. no. 131737, doi: 10.1016/j.snb.2022.131737.

[8] V. T. Nguyen et al., “Enhanced NH3 and H2 gas sensing with H2S gas interference using multilayer SnO2/Pt/WO3 nanofilms,” J. Hazard. Mater., vol. 412, 2021, Art. no. 125181, doi: 10.1016/j.jhazmat.2021.125181.

[9] J. Oh et al., “Machine learning-based discrimination of indoor pollutants using an oxide gas sensor array: High endurance against ambient humidity and temperature,” Sensors Actuators B Chem., vol. 364, 2022, Art. no. 131894, doi: 10.1016/j.snb.2022.131894.

[10] B. Ehret, K. Safenreiter, F. Lorenz, and J. Biermann, “A new feature extraction method for odour classification,” Sensors Actuators, B Chem., vol. 158, no. 1, pp. 75–88, 2011, doi: 10.1016/j.snb.2011.05.042.

[11] M. A. H. Khan, B. Thomson, R. Debnath, A. Motayed, and M. V. Rao, “Nanowire-Based Sensor Array for Detection of Cross-Sensitive Gases Using PCA and Machine Learning Algorithms,” IEEE Sens. J., vol. 20, no. 11, pp. 6020–6028, 2020, doi: 10.1109/JSEN.2020.2972542.

[12] X. Zhao, Z. Wen, X. Pan, W. Ye, and A. Bermak, “Mixture Gases Classification Based on Multi-Label One-Dimensional Deep Convolutional Neural Network,” IEEE Access, vol. 7, pp. 12630–12637, 2019, doi: 10.1109/ACCESS.2019.2892754.




DOI: https://doi.org/10.34238/tnu-jst.9592

Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved