Article de méthode

Procédé expérimental robotisé pour le développement de la détection colorimétrique de gaz

DOI :

10.3791/67940

⸱

28 février 2025

 ,  ,  ,  ,  , 
1School of Computer and Information Technology, Beijing Jiaotong University, 2Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, 3Zhejiang Lab, 4Faculty of Materials Science and Energy Engineering, Shenzhen University of Advanced Technology, 5College of Electrical and Electronic Engineering, Wenzhou University

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ici, nous présentons un protocole pour développer des capteurs de gaz colorimétriques en utilisant une approche robotique Design-Build-Test-Learn (DBTL). Ce protocole intègre l’automatisation à haut débit, l’apprentissage automatique et l’optimisation multi-objectifs pour découvrir et optimiser efficacement les formulations de capteurs pour détecter des gaz comme le CO2, ce qui permet un développement rapide, rentable et précis des capteurs.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cet article présente un programme expérimental basé sur des robots visant à développer un capteur de gaz colorimétrique efficace et rapide. Le programme utilise une approche automatisée de conception-construction-test-apprentissage (DBTL), qui optimise le processus de recherche de manière itérative tout en optimisant plusieurs recettes pour différents intervalles de concentration du gaz. À chaque itération, l’algorithme génère un lot de suggestions de recettes basées sur diverses fonctions d’acquisition, et avec l’augmentation du nombre d’itérations, les valeurs de la fonction objectif pondérée pour chaque intervalle de concentration s’améliorent considérablement.

La méthode DBTL commence par l’initialisation des paramètres, la configuration de l’environnement matériel et logiciel. Les tests de référence établissent des normes de performance. Par la suite, la méthode DBTL conçoit le cycle d’optimisation suivant en fonction de la proportion de recettes dans chaque tour et teste les performances de manière itérative. L’évaluation de la performance compare les données de référence pour évaluer l’efficacité de la méthode DBTL. Si l’amélioration de la performance ne répond pas aux attentes, la méthode sera exécutée de manière itérative ; Si les objectifs sont atteints, l’expérience se termine. L’ensemble du processus maximise les performances du système grâce au processus d’optimisation itératif DBTL.

Par rapport au processus de développement manuel traditionnel, la méthode DBTL adoptée par ce processus expérimental utilise une optimisation multi-objectifs et divers algorithmes d’apprentissage automatique. Après avoir défini les limites supérieure et inférieure du volume des composants, la méthode DBTL optimise dynamiquement les expériences itératives pour obtenir le rapport optimal avec les meilleures performances. Cette méthode améliore considérablement l’efficacité, réduit les coûts et fonctionne plus efficacement dans l’espace variable de multi-formulation lors de la recherche de la recette optimale.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les applications pratiques des capteurs de gaz sont très étendues et ont été utilisées dans divers domaines tels que la surveillance de l’environnement, l’aérospatiale et le traitement des gaz résiduaires 1,2,3. Le principe de fonctionnement des capteurs de gaz repose généralement sur plusieurs mécanismes, tels que l’électrochimie, la chromatographie en phase gazeuse et l’optique. Parmi les nombreux mécanismes de détection, celui basé sur le changement de couleur a évolué pour devenir un mécanisme acide-base qui se démarque de manière unique. En raison de son faible coût et de sa simplicité d’application, il est largement utilisé dans la conception de nombreux capteurs de gaz portables et jetables, tels que les capteurs de CO2 1,4,5. Ce type de capteur utilise le changement de couleur de certains produits chimiques pour détecter les concentrations de gaz. Lorsque la concentration de gaz change, le matériau du capteur subit des réactions chimiques telles que la complexation ionique ou les changements de couleur des indicateurs, ce qui entraîne le changement de couleur du colorant sensible aux gaz6. En détectant et en analysant les changements de couleur, la concentration de gaz peut être mesurée indirectement. Pendant ce temps, malgré les avantages du faible coût et de la portabilité, ce type de capteur présente encore quelques lacunes, telles qu’un long cycle de développement et une faible efficacité 7,8,9. Dans le même temps, les méthodes traditionnelles de conception de capteurs ont du mal à répondre simultanément à plusieurs caractéristiques de détection, telles que le temps de réponse, la réversibilité et la limite de détection requis. Dans le cadre du paradigme traditionnel de la recherche et du développement, ces difficultés entravent gravement la production et l’application généralisée des capteurs de gaz colorimétriques.

En réponse aux défis mentionnés ci-dessus en matière de recherche et de développement à la demande, la technologie de capteur colorimétrique développée dans le cadre de ce processus expérimental peut remédier à certaines des lacunes de la détection de gaz traditionnelle. En employant une approche itérative de conception-construction-test-apprentissage (DBTL) 10,11, l’efficacité du développement des capteurs peut être considérablement améliorée, réduisant ainsi le temps de recherche et de développement et répondant efficacement aux besoins de la recherche et du développement 1,12. Dans une configuration de développement DBTL typique, le développement de nouveaux matériaux est considéré comme une boucle de rétroaction itérative. La boucle contient quatre étapes clés : 1. Conception des paramètres d’optimisation, des cibles et de l’échantillonnage de l’espace des paramètres pour une expérience d’essai ; 2. Construisez les échantillons des paramètres sélectionnés ; 3. Testez la valeur cible pour les échantillons construits ; 4. Analyse par apprentissage automatique du retour d’information cible pour guider la sélection des paramètres du prochain lot. Dans ce processus itératif, la plateforme d’expérimentation à haut débit qui permet de construire et de tester rapidement des échantillons, et les algorithmes d’apprentissage automatique sont les composants clés. La plate-forme de test automatisée à haut débit peut tester simultanément jusqu’à 384 unités de détection, collectant ainsi une grande quantité de données de réponse de haute qualité. En utilisant des algorithmes d’apprentissage automatique 13,14,15,16,17, tels que l’optimisation bayésienne multi-objectifs, plusieurs mesures de détection des unités de détection (par exemple, la sensibilité, le temps de réponse et la réversibilité) peuvent être optimisées simultanément et automatiquement, améliorant ainsi les performances globales de diverses caractéristiques de détection. Les recettes d’unités de détection générées par l’algorithme d’optimisation peuvent réaliser une détection quantitative de la concentration de CO2 sans étalonnage individuel, et la métrique de l’erreur quadratique moyenne (RMSE) peut également répondre aux indicateurs requis.

Notre programme est une procédure expérimentale développée sur la base de la détection colorimétrique des gaz (voir la figure 1 pour l’organigramme). Avec le développement des laboratoires autonomes, l’approche DBTL automatisée a montré d’excellentes perspectives en raison de son efficacité, de sa vitesse et de sa répétabilité élevées 5,12. Le processus de développement manuel traditionnel implique l’ajustement d’une variable à la fois, suivi de la modification d’une autre variable pour optimiser le paramètre cible et obtenir le résultat souhaité. Les principaux inconvénients de ce processus comprennent une faible efficacité dans les expériences manuelles, une sensibilité à l’erreur humaine, une difficulté à gérer des variables multidimensionnelles dans des scénarios complexes de grande dimension et une tendance à rester coincé dans des optima locaux. Par rapport au processus de développement manuel, la méthode DBTL adoptée dans ce programme expérimental utilise la robotique combinée à des algorithmes d’apprentissage actif avancés tels que l’optimisation bayésienne multi-objectifs. L’optimisation bayésienne est une approche probabiliste pour optimiser des fonctions objectifs coûteuses à évaluer15,18. Il construit un modèle de substitution, souvent un processus gaussien, pour approximer la fonction objectif et utilise une fonction d’acquisition pour décider du prochain point à échantillonner. La fonction d’acquisition équilibre l’exploration (recherche de régions moins échantillonnées) et l’exploitation (affinement des régions connues et performantes) pour trouver efficacement le maximum ou le minimum global. Cette méthode est particulièrement utile dans les espaces de recherche non convexes de grande dimension où les techniques d’optimisation traditionnelles ont du mal. Après avoir défini grossièrement les limites supérieure et inférieure du contenu des composants, il optimise dynamiquement les expériences pour obtenir le rapport optimal avec les meilleures performances de manière itérative. Cette méthode améliore considérablement l’efficacité et réduit les coûts et fonctionne plus efficacement dans l’espace multivariable pour développer la recette optimale 5,12.

L’objectif général de cet article est d’établir une procédure expérimentale basée sur la méthode DBTL automatisée à travers diverses technologies informatiques telles que l’apprentissage automatique, l’optimisation bayésienne multi-objets et les plates-formes de test expérimentales, y compris la plate-forme de manipulation automatisée des liquides et la plate-forme de test de gaz à haut débit. Cela permettra la conception et la recherche de capteurs de gaz colorimétriques. La plate-forme de robot de manipulation de liquides personnalisée « Opentrons OT-2 » est utilisée pour réaliser des expériences selon les paramètres du programme, en effectuant automatiquement des étapes telles que la synthèse de recettes, le mélange et le trempage. La plate-forme d’essai de gaz à haut débit faite maison est utilisée pour les tests de gaz et la lecture des capteurs colorimétriques à haut débit, en contrôlant avec précision les concentrations de gaz cibles et en enregistrant les changements de couleur des unités de détection en temps réel. Comparé à d’autres systèmes expérimentaux conçus sur la base de DBTL, ce système a un coût matériel relativement faible. Simultanément, nous avons partiellement abordé les aspects de la tâche qui impliquent une erreur humaine par le biais d’une approche semi-automatisée. offrant le maximum d’avantages marginaux tout en conservant les avantages de la conception DBTL.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Expérience préliminaire (test de faisabilité)

REMARQUE : Sur la base de l’article8 de Zhang, les variables pertinentes des capteurs colorimétriques chimiques pour le gaz cible, tels que le dioxyde de carbone, peuvent être sélectionnées. Avant d’effectuer l’optimisation à la demande des formulations des capteurs colorimétriques, une expérience préliminaire utilisant les procédures suivantes peut être menée pour établir l’espace variable.

  1. Déterminer la plage de concentration du gaz cible et établir une configuration d’essai de gaz.
    REMARQUE : La concentration du gaz cible dans la configuration d’essai de gaz augmente de manière linéaire ou exponentielle.
  2. Avant et après l’écoulement de chaque concentration du gaz cible, purger le système d’essai avec de l’azote. Maintenez le rapport entre le temps d’écoulement de l’azote et le gaz cible à 1:1.
    REMARQUE : Si la concentration du gaz cible est de <1 ppm, le temps d’écoulement est de ~10 min ; Si la concentration cible de gaz est de ≥1 ppm, le temps d’écoulement est de ~5 min.
  3. Préparer les solutions sources des variables avec des concentrations appropriées à la solution en fonction de facteurs tels que la saturation et la viscosité.
    REMARQUE : Il est généralement conseillé de maintenir la concentration la plus élevée possible des solutions sources.
  4. Régler le volume total de la solution de la formulation du capteur colorimétrique à 400 μL ; Ensuite, définissez la plage de volume pour chaque solution source des variables en fonction de la littérature.
    REMARQUE : Les plages de volume pour les solutions sources de colorants sont généralement comprises entre 0 μL et 200 μL, tandis que les plages de volume pour les autres solutions sources sont généralement comprises entre 0 μL et 100 μL. L’intervalle d’échantillonnage de la solution source est de ~25 μL.
  5. Générer un lot de 96 formulations grâce à des fonctions d’échantillonnage aléatoire pour vérifier la faisabilité de la détection du gaz cible à l’aide de la colorimétrie chimique.
  6. Chargez le fichier de formulation du capteur colorimétrique, la solution source, les pointes, la plaque à 96 puits et la membrane PTFE dans le manipulateur de liquide, et générez séquentiellement des numéros d’informations d’identité indépendants (Figure 2).
  7. Réglez le manipulateur de liquides en mode simulation pour imiter le fonctionnement de la synthèse des formulations de capteurs colorimétriques, telles que l’aspiration, la distribution, l’agitation et l’égouttement de liquide (Figure 3).
  8. S’il n’y a pas d’erreurs dans l’état de simulation, réglez le manipulateur de liquides sur l’expérience et commencez à automatiser la synthèse des capteurs colorimétriques.
    REMARQUE : Le code pour l’automatisation du processus est développé sur la base du progiciel open-source « Opentrons ». La synthèse des capteurs colorimétriques devrait prendre 3 à 6 h.
  9. Placez les capteurs colorimétriques dans une fourve à 40 °C et chauffez pendant 50 min.
  10. Placez les capteurs colorimétriques séchés dans la chambre à gaz et vérifiez l’uniformité de l’éclairage dans l’environnement d’essai et l’étanchéité à l’air de la chambre d’essai. Une fois qu’il est confirmé que tout se passe sans problème, utilisez les régulateurs de débit massique (MFC) pour contrôler automatiquement les débits de l’analyte gazeux (avec la concentration ca) et de l’azote (concentration cn), en exécutant la configuration de test du gaz. Supposons que le débit global de gaz soit de S en volume/min et que la concentration cible de l’analyte soit c. les débits de l’analyte gazeux MFC et de l’azote MFC en volume/min sont
    figure-protocol-1(1)
    figure-protocol-2(2)
  11. Pendant le processus d’écoulement, positionnez une caméra au-dessus de la chambre à gaz pour prendre une photo toutes les 5 s afin d’enregistrer les changements de couleur des capteurs colorimétriques (Figure 4).
    REMARQUE : L’essai d’écoulement devrait être terminé dans environ 2 h.
  12. Notez que l’ordinateur charge les images capturées dans l’ordre chronologique, extrait les valeurs de couleur RVB de chaque capteur colorimétrique dans chaque image, puis calcule les différences par rapport à la couleur de base mesurée avant l’exposition au gaz cible, traçant ainsi une figure de variation de couleur des capteurs colorimétriques sur le temps d’écoulement. La formule de calcul de la différence de couleur ΔE est représentée par Eq (1) :
    figure-protocol-3(3)
  13. Observez s’il existe des capteurs colorimétriques présentant des changements de couleur significatifs dans le gaz cible et si les valeurs de changement de couleur augmentent en conjonction avec une augmentation de la concentration du gaz cible. Si tel est le cas, la faisabilité de l’utilisation de capteurs colorimétriques chimiques pour détecter le gaz cible est vérifiée.
  14. Sur la base des résultats pré-expérimentaux, ajustez les limites supérieure et inférieure des solutions sources des variables et supprimez les solutions sources qui ont un effet non substantiel.

2. Utiliser une plateforme expérimentale robotique pour mener le processus d’optimisation itératif Design-Build-Test-Learn (DBTL)

  1. Conception : Configurer des fonctions multi-objectifs et générer des formulations de capteurs colorimétriques.
    1. Mettre en place une fonction multi-objectifs pour calculer le score d’évaluation pondéré pour plusieurs chiffres de mérite des capteurs colorimétriques (Figure 5).
      REMARQUE : Le détail de la note d’évaluation pondérée se trouve dans la référence1.
    2. Si l’optimisation DBTL est dans le tour initial, générez de manière aléatoire 96 formulations de capteurs colorimétriques initiaux et créez un ID de campagne pour cette tâche d’optimisation.
    3. Si le DBTL en est au deuxième tour ou aux cycles ultérieurs, concevez le prochain lot de 96 formulations de capteurs colorimétriques à l’aide de différentes fonctions d’acquisition (telles que la limite supérieure de confiance, la probabilité d’amélioration et l’amélioration attendue). De plus, affinez les hyperparamètres de la fonction d’acquisition à chaque tour. En général, κ est l’hyperparamètre pour UCB, avec une valeur ne dépassant pas 5 et figure-protocol-4 sert d’hyperparamètre pour EI et POI, qui diminue progressivement jusqu’à près de 0 à mesure que les itérations d’optimisation augmentent. Les trois équations suivantes (4), (5) et (6) illustrent respectivement les fonctions d’acquisition pour UCB, EI et POI :
      figure-protocol-5(4)
      figure-protocol-6(5)
      figure-protocol-7(6)
      où μ(x) est la moyenne ; σ x) représente l’écart ; κ,figure-protocol-8 sont des paramètres qui équilibrent l’exploration et l’exploitation, contrôlés par le cycle d’itération et le taux de décroissance ; f(x) est le score d’évaluation pondéré ; fcurrentMax est le score d’évaluation pondéré le plus élevé actuel.
    4. Après avoir généré des formulations de capteurs colorimétriques dans chaque tour non initial, observez si ces formulations de capteurs colorimétriques présentent des attentes élevées ou une grande incertitude. Si ce n’est pas le cas, répétez l’opération de l’étape 2.1.3. Si c’est le cas, effectuez l’étape de génération.
  2. Build : synthétisez automatiquement des capteurs colorimétriques. Voir les détails aux étapes 1.7 à 1.10.
  3. Test : Que le test automatisé des capteurs colorimétriques se poursuive. Voir les détails dans les étapes 1.11-1.13.
  4. Apprendre : Ajuster le modèle de substitution
    1. Utilisez les variables de formulation du capteur colorimétrique et leurs scores d’évaluation pondérés comme entrée et sortie du modèle de substitution, respectivement.
    2. Utilisez une régression de processus gaussien avec la fonction moyenne pour k(xi, xj) et la fonction de covariance (noyau) k(xi, xj) pour ajuster le modèle de substitution.
      REMARQUE : La figure 6 montre le modèle de substitution pour les variables unidimensionnelles et bidimensionnelles. Dans l’algorithme d’ajustement de processus gaussien développé, un noyau de Matérn anisotrope combiné à un noyau de bruit blanc (voir les deux équations suivantes, Eq (7) et Eq (8)) est choisi pour assurer la généralité de la fonction du noyau.
      figure-protocol-9(7)
      figure-protocol-10(8)
  5. Critères de fin d’optimisation : Notez que l’optimisation DBTL s’arrête lorsque le nombre d’itérations atteint une valeur prédéfinie, ou lorsqu’il n’y a pas d’amélioration significative des scores pondérés des capteurs colorimétriques générés.

3. Construction et caractérisation du réseau de capteurs colorimétriques optimal

  1. Pour les six intervalles de concentration du gaz cible, réaliser n campagnes d’optimisation DBTL pour découvrir six formulations de capteurs colorimétriques globalement optimales ou quasi optimales. Dans chaque intervalle de concentration, la formulation optimisée du capteur colorimétrique présente le score d’évaluation pondéré le plus élevé dans le test de gaz cible.
  2. Utiliser le manipulateur de liquides pour construire approximativement les réseaux de capteurs colorimétriques composés des six formulations de capteurs colorimétriques optimisées. Les étapes 1.7 à 1.10 détaillent l’opération spécifique à l’aide du manipulateur de liquides.
  3. Test de durée de conservation :
    1. Construisez 14 réseaux de capteurs colorimétriques et divisez-les en deux groupes. Stockez un groupe à l’état ouvert à 25 °C et l’autre sous vide.
    2. Maintenir des conditions de test constantes et effectuer des tests de réponse quotidiens sur une période de 7 jours pour évaluer l’impact des deux conditions de stockage sur les performances de la matrice de capteurs colorimétriques, déduisant ainsi la durée de conservation dans les deux stratégies de stockage.

4. Étalonnage du réseau de capteurs colorimétriques

  1. Pour la construction d’un réseau de capteurs colorimétriques, voir les détails aux étapes 3.1-3.2.
  2. Échantillonnage des données :
    1. Sélectionnez 5 à 10 valeurs de concentration à intervalles égaux pour chaque plage de concentration du gaz cible, avec un total d’au moins 20 concentrations différentes.
    2. Exposez le réseau de capteurs colorimétriques au gaz cible en fonction de la valeur de concentration dans l’ordre croissant ou décroissant et enregistrez les valeurs de réponse du réseau de capteurs colorimétriques.
      REMARQUE : Cinq à 10 cycles de CO2/N2 ont été nécessaires pour chaque concentration de CO2 .
  3. Enregistrement des données de détection : après avoir été exposé au gaz cible à différentes concentrations pendant 5 ou 10 min, extraire les valeurs des canaux R, G et B de n capteurs colorimétriques à partir du réseau de capteurs colorimétriques en tant que caractéristiques à saisir dans le modèle d’étalonnage. Le vecteur de caractéristique contient 3 × n dimensions.
  4. Division de l’ensemble de données : en fonction du nombre de concentrations du gaz cible, divisez les données de réponse à différentes concentrations dans l’ensemble d’apprentissage, l’ensemble de validation et l’ensemble de test dans un rapport de 7:1,5:1,5.
  5. Entraînement du modèle : tout d’abord, utilisez les packages Python, tels que scikit-learn et torch, pour construire quatre modèles de régression d’apprentissage automatique pour l’étalonnage : Ridge, Random Forest, Xgboost et Deep Neural Network. Ensuite, définissez la racine de l’erreur quadratique moyenne comme fonction de perte. Enfin, chargez l’ensemble de données et commencez à entraîner le modèle d’étalonnage.
  6. Sélection du modèle : validez les performances des quatre modèles de régression du machine learning à l’aide du jeu de validation et sélectionnez le modèle avec la plus petite erreur quadratique moyenne comme modèle de calibrage final.
  7. Test de modèle : utilisez l’ensemble de test pour effectuer un test de performance sur le modèle d’étalonnage final, en évaluant les performances du réseau de capteurs colorimétriques et du modèle d’étalonnage pour l’analyse quantitative du gaz cible.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Un exemple typique de ce dispositif expérimental est le « Wide-Range High-Sensitivity Colorimetric CO2 Sensor Array »12. Tout d’abord, l’expérience génère un graphique basé sur la variation de ΔE au cours du temps à une concentration fixe de CO2 après optimisation bayésienne multi-objectifs (Figure 7A). Sur la base de son faible temps de réponse, de son ΔE et de sa réversibilité, les éléments inutiles 1 (temps de réponse lent), inutiles 2 (non ré...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cet article propose un modèle expérimental permettant de développer des capteurs de gaz colorimétriques plus rapidement et avec plus de précision. Ce processus expérimental peut être utilisé pour développer des capteurs colorimétriques pour divers gaz, tels que l’humidité, le CO2 et l’ammoniac 1,4,5. Grâce à la méthode de cette plate-forme, il peut répondre aux besoins des utilisateur...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les auteurs n’ont aucun conflit d’intérêts à déclarer.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ce travail est soutenu par la Fondation des sciences naturelles de la province du Zhejiang (LQ24F040006) et le fonds de démarrage de l’Université de technologie avancée de Shenzhen.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Plaque de puits profond 96 puitsNESTNEST 2 mL Plaque de puits profonds 96 puits, fond
Plaque PCR 96 puitsNESTNEST 0,1 mL Plaque
cresol redsigma aldrich1.05225Colorants pour réactifs colorimétriques
Ethyl cellulosesigma aldrich200689Colorants pour réactifs colorimétriques
Ethyl celluloseAladdinE110670-100gCaméra
industrielleHKVisionMV-CS060-10UM/C-PROutilisée pour l’enregistrement des changements de couleur
Manipulateur de liquidesOpentronsOT2Manipulateur de liquides
Régulateur de débit massiqueASERTAST10-DLCMX-500C-042-A2B2-48VYutilisé dans le contrôle des mélanges de gaz d’analytes
m-cresol violetsigma aldrich1.05228Colorants pour réactifs colorimétriques
Opentrons OT-2 TipsOpentronsOT-2 Tips, 300µ ;
Opentrons OT-2 EmboutsOpentronsOT-2, 20µ ;
phenol redsigma aldrich1.07241Colorants pour réactifs colorimétriques
polyéthylène glycolsigma aldrichP1458Colorants pour réactifs colorimétriques
Film PTFEInterstate Specialty ProductsPM15MPTFE mambrane
Hydroxyde de tétrabutylammoniumsigma aldrich86854Base pour réactifs
colorimétriquesthymol bluesigma aldrich1.08176Colorants pour réactifs colorimétriques
VPCR 96 puits additive LL

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chen, Y., et al. Robot-accelerated development of a colorimetric CO2 sensing array with wide ranges and high sensitivity via multi-target Bayesian optimizations. Sensors and Actuators B: Chemical. 390, 133942(2023).
  2. Cho, S. H., Suh, J. M., Eom, T. H., Kim, T., Jang, H. W. Colorimetric sensors for toxic and hazardous gas detection: A review. Electron Mater Lett. 17 (1), 1-17 (2021).
  3. Li, Z., Askim, J. R., Suslick, K. S. The optoelectronic nose: Colorimetric and fluorometric sensor arrays. Chem Rev. 119 (1), 231-292 (2019).
  4. Ai, Z., et al. On-demand optimization of colorimetric gas sensors using a knowledge-aware algorithm-driven robotic experimental platform. ACS Sens. 9 (2), 745-752 (2024).
  5. Ai, Z., et al. Customizable colorimetric sensor array via a high-throughput robot for mitigation of humidity interference in gas sensing. ACS Sens. 9 (8), 4143-4153 (2024).
  6. Evyapan, M., Dunbar, A. D. F. Improving the selectivity of a free base tetraphenylporphyrin based gas sensor for NO2 and carboxylic acid vapors. Sensors and Actuators, B: Chemical. 206, 74-83 (2015).
  7. Liu, B., Zhuang, J., Wei, G. Recent advances in the design of colorimetric sensors for environmental monitoring. Environ Sci: Nano. 7 (8), 2195-2213 (2020).
  8. Zhang, Y., Lim, L. -T. Colorimetric array indicator for NH3 and CO2 detection. Sensors and Actuators B: Chemical. 255, 3216-3226 (2018).
  9. Xu, W., et al. Non-destructive determination of beef freshness based on colorimetric sensor array and multivariate analysis. Sensors and Actuators B: Chemical. 369, 132282(2022).
  10. Abolhasani, M., Kumacheva, E. The rise of self-driving labs in chemical and materials sciences. Nat Synth. 2 (6), 483-492 (2023).
  11. Hickman, R. J., Bannigan, P., Bao, Z., Aspuru-Guzik, A., Allen, C. Self-driving laboratories: A paradigm shift in nanomedicine development. Matter. 6 (4), 1071-1081 (2023).
  12. Chen, Y., et al. Robot-assisted optimized array design for accurate multi-component gas quantification. Chem Eng J. 496, 154225(2024).
  13. Antonova, R., Rai, A., Li, T., Kragic, D. Bayesian optimization in variational latent spaces with dynamic compression. , (2019).
  14. Balandat, M., et al. BoTorch: A framework for efficient Monte-Carlo Bayesian optimization. , http://arxiv.org/abs/1910.06403 (2020).
  15. Frazier, P. I. A tutorial on Bayesian optimization. , (2018).
  16. Zhang, L., et al. Navigating the complexity of hybrid materials without structural dependency: PerovGNN as a map. Acta Materialia. 281, 120437(2024).
  17. Uplift modeling based on Graph Neural Network combined with causal knowledge. Wang, H., et al. Proceedings - 2024 IEEE Conference on Artificial Intelligence, CAI 2024, , 1487-1492 (2024).
  18. Häse, F., Roch, L. M., Kreisbeck, C., Aspuru-Guzik, A. Phoenics: A Bayesian optimizer for chemistry. ACS Cent Sci. 4 (9), 1134-1145 (2018).
  19. Wadekar, D., et al. Augmenting astrophysical scaling relations with machine learning: Application to reducing the Sunyaev-Zeldovich flux-mass scatter. Proc Natl Acad Sci U S A. 120 (12), e2202074120(2023).
  20. Han, N., Tian, Y., Wu, X., Chen, Y. Improving humidity selectivity in formaldehyde gas sensing by a two-sensor array made of Ga-doped ZnO. Sensors and Actuators, B: Chemical. 138 (1), 228-235 (2009).
  21. Bae, G., et al. Impact of a diverse combination of metal oxide gas sensors on machine learning-based gas recognition in mixed gases. ACS Omega. 6 (36), 23155-23162 (2021).
  22. Mahboubifar, M., Hemmateenejad, B., Jassbi, A. R. Evaluation of adulteration in distillate samples of Rosa damascena Mill using colorimetric sensor arrays, chemometric tools and dispersive liquid-liquid microextraction-GC-MS. Phytochem Anal. 32 (6), 1027-1038 (2021).
  23. Cao, Y., Yu, H., Abbott, N. L., Zavala, V. M. Machine learning algorithms for liquid crystal-based sensors. ACS Sens. 3 (11), 2237-2245 (2018).
  24. Mahata, B., Acharyya, S., Banerji, P., Guha, P. K. Assessment of fish adulteration using SnO2 nanopetal-based gas sensor and machine learning. Food Chem. 438, 138039(2024).
  25. Zhang, N., et al. Switchable operating modes enable low power consumption and improved gas sensing efficiency in MoS2/BP heterojunction. Sensors and Actuators B: Chemical. 396, 134620(2023).
  26. Amarbayasgalan, T., Pham, V. H., Theera-Umpon, N., Piao, Y., Ryu, K. H. An efficient prediction method for coronary heart disease risk based on two deep neural networks trained on well-ordered training datasets. IEEE Access. 9, 135210-135223 (2021).
  27. Xu, Q., Jiang, J. Recent development in machine learning of polymer membranes for liquid separation. Mol Syst Des Eng. 7 (8), 856-872 (2022).
  28. Kimani, S. W., et al. Discovery of a novel DCAF1 ligand using a drug-target interaction prediction model: Generalizing machine learning to new drug targets. J Chem Inf Model. 63 (13), 4070-4078 (2023).
  29. Xiao, J., Hobson, J., Ghosh, A., Haranczyk, M., Wang, D. Y. Flame retardant properties of metal hydroxide-based polymer composites: A machine learning approach. Composites Communications. 40, 101593(2023).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Proc dure exp rimentale robotis eM thode DBTLOptimisation automatis eOptimisation multi objectifAlgorithmes d apprentissage automatiqueOptimisation de recettevaluation des performancesExp rimentation it rativeD veloppement de capteurs de gaz
Vidéo bientôt disponible

Articles connexes