Het schematische diagram van de met actieve kool gefunctionaliseerde grafeensensor. (b) De vergelijkende plot van de prestaties van de XGBoost-, KNN- en Naïve Bayes-modellen. Krediet: Hiroshi Mizuta van JAIST.
De 2D-aard van grafeen, de gevoeligheid voor één molecuul, het lage geluidsniveau en de hoge dragerconcentratie hebben veel belangstelling gewekt voor de toepassing ervan in gassensoren. Vanwege de inherente niet-selectiviteit en de enorme p-doping in atmosferische lucht, zijn de toepassingen ervan bij gasdetectie echter vaak beperkt tot gecontroleerde omgevingen zoals stikstof, droge lucht of synthetische vochtige lucht.
Hoewel vochtigheidsomstandigheden in synthetische lucht zouden kunnen worden gebruikt om gecontroleerde gatdoping van het grafeenkanaal te bereiken, weerspiegelt dit niet voldoende de situatie in atmosferische lucht. Bovendien bevat atmosferische lucht verschillende gassen met concentraties die vergelijkbaar zijn met of groter zijn dan die van het analytische gas. Dergelijke tekortkomingen van op grafeen gebaseerde sensoren belemmeren selectieve gasdetectie en identificatie van moleculaire soorten in atmosferische lucht, wat nodig is voor toepassingen in milieumonitoring en niet-invasieve medische diagnose van aandoeningen.
Het onderzoeksteam onder leiding van Dr. Manoharan Muruganathan (voorheen hoofddocent) en professor Hiroshi Mizuta van het Japan Advanced Institute of Science and Technology (JAIST) gebruikten de machine learning (ML)-modellen die waren getraind op verschillende door gasadsorptie geïnduceerde doping- en verstrooiingssignalen. om zowel zeer gevoelige als selectieve gasdetectie te realiseren met één enkel apparaat.
De prestaties van de ML-modellen zijn vaak afhankelijk van de invoerfuncties. ‘De conventionele op grafeen gebaseerde ML-modellen zijn beperkt in hun invoerfuncties’, zegt dr. Osazuwa Gabriel Agbonlahor (voorheen postdoctoraal onderzoeker). De bestaande ML-modellen bewaken alleen de door gasadsorptie veroorzaakte veranderingen in de grafeenoverdrachtskarakteristieken of weerstand / geleidbaarheid zonder deze karakteristieken te moduleren door een extern elektrisch veld aan te leggen.
Daarom missen ze de onderscheidende van der Waals (vdW) interactie tussen gasmoleculen en grafeen, die uniek is voor individuele gasmoleculen. Daarom kunnen we, in tegenstelling tot de conventionele elektronische neusmodellen (e-nose), de door een extern elektrisch veld gemoduleerde grafeen-gasinteractie in kaart brengen, wat een meer selectieve kenmerkextractie mogelijk maakt voor complexe gasomgevingen zoals atmosferische lucht.
Onze ML-modellen voor de identificatie van atmosferische gassen zijn ontwikkeld met behulp van de grafeensensor die is gefunctionaliseerd met een poreuze dunne film van actieve koolstof. Acht vdW-complexkenmerken werden gebruikt om de effecten van het externe elektrische veld op de grafeen-gasmolecuul vdW-interactie te volgen, en brachten bijgevolg de evolutie van de vdW-binding vóór, tijdens en na de toepassing van het externe elektrische veld in kaart.
Bovendien, hoewel de gaswaarnemingsexperimenten werden uitgevoerd onder verschillende experimentele omstandigheden, bijvoorbeeld gaskamerdrukken, gasconcentraties, omgevingstemperatuur, relatieve luchtvochtigheid, afstemtijd en afstemspanning, bleken de ontwikkelde modellen robuust genoeg om deze variaties in op te vangen. experimentele omstandigheden door de modellen niet bloot te stellen aan deze parameters.
Om de veelzijdigheid van de modellen te testen, werden ze bovendien getraind in zowel atmosferische omgevingen als relatief inerte omgevingen die vaak worden gebruikt bij gasdetectie, bijvoorbeeld stikstof en droge lucht. Daarom werd een krachtige “elektronische neus” van atmosferisch gas bereikt, die met 100% nauwkeurigheid onderscheid maakte tussen de vier verschillende omgevingen (ammoniak in atmosferische lucht, aceton in atmosferische lucht, aceton in stikstof en ammoniak in droge lucht).
Het onderzoek wordt gepubliceerd in het tijdschrift Sensoren en actuatoren B: Chemisch.
Meer informatie:
Osazuwa G. Agbonlahor et al, Machine learning-identificatie van atmosferische gassen door het grafeen-molecuul van der Waals complexe bindingsevolutie in kaart te brengen, Sensoren en actuatoren B: Chemisch (2023). DOI: 10.1016/j.snb.2023.133383
Aangeboden door Japan Advanced Institute of Science and Technology
