מאמר שיטה

נוהל ניסויי מבוסס רובוט לפיתוח חישת גז קולורימטרי

DOI:

10.3791/67940

⸱

28 בפברואר 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

במאמר זה

סיכום

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

כאן, אנו מציגים פרוטוקול לפיתוח חיישני גז קולורימטריים תוך שימוש בגישת תכנון-בנייה-בדיקה-למידה (DBTL) מבוססת-רובוטית. פרוטוקול זה משלב אוטומציה בתפוקה גבוהה, למידת מכונה ואופטימיזציה רב-אובייקטיבית כדי לגלות ולייעל ביעילות ניסוחי חיישנים לגילוי גזים כמו CO2, מה שמאפשר פיתוח חיישנים מהיר, חסכוני ומדויק.

תקציר

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

מאמר זה מציג תוכנית ניסויית מבוססת רובוט שמטרתה לפתח חיישן גז קולורימטרי יעיל ומהיר. התוכנית משתמשת בגישת Design-Build-Test-Learning (DBTL) אוטומטית, המייעלת את תהליך החיפוש באופן איטרטיבי תוך אופטימיזציה של מתכונים מרובים למרווחי ריכוז שונים של הגז. בכל איטרציה, האלגוריתם מייצר אצווה של הצעות מתכונים המבוססות על פונקציות רכישה שונות, ועם הגידול במספר האיטרציות, הערכים של פונקציית המטרה המשוקללת עבור כל מרווח ריכוז משתפרים משמעותית.

שיטת DBTL מתחילה באתחול פרמטרים, הגדרת סביבת החומרה והתוכנה. מבחני בסיס קובעים תקני ביצועים. לאחר מכן, שיטת DBTL מתכננת את סבב האופטימיזציה הבא על סמך שיעור המתכונים בכל סבב ובודקת את הביצועים באופן איטרטיבי. הערכת ביצועים משווה נתוני בסיס כדי להעריך את היעילות של שיטת DBTL. אם שיפור הביצועים אינו עומד בציפיות, השיטה תבוצע באופן איטרטיבי; אם המטרות הושגו, הניסוי מסכם. התהליך כולו ממקסם את ביצועי המערכת באמצעות תהליך האופטימיזציה האיטרטיבי של DBTL.

בהשוואה לתהליך הפיתוח הידני המסורתי, שיטת DBTL שאומצה על ידי תהליך ניסיוני זה משתמשת באופטימיזציה רב-תכליתית ואלגוריתמים שונים של למידת מכונה. לאחר הגדרת הגבולות העליונים והתחתונים של נפח הרכיבים, שיטת DBTL מייעלת באופן דינמי ניסויים איטרטיביים כדי להשיג את היחס האופטימלי עם הביצועים הטובים ביותר. שיטה זו משפרת מאוד את היעילות, מפחיתה עלויות ומתפקדת בצורה יעילה יותר במרחב המשתנה הרב-פורמולטיבי בעת מציאת המתכון האופטימלי.

מבוא

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

היישומים המעשיים של חיישני גז הם נרחבים מאוד ושימשו בתחומים שונים כגון ניטור סביבתי, תעופה וחלל, וטיפול בגז פסולת 1,2,3. עקרון העבודה של חיישני גז מסתמך בדרך כלל על מספר מנגנונים, כגון אלקטרוכימיה, כרומטוגרפיה של גז ואופטי. מבין מנגנוני זיהוי רבים, מנגנון המבוסס על שינוי צבע התפתח למנגנון חומצה-בסיס הבולט באופן ייחודי. בשל עלותו הנמוכה והיישום הפשוט שלו, הוא נמצא בשימוש נרחב בתכנון חיישני גז ניידים וחד פעמיים רבים, כגון חיישני CO2 1,4,5. חיישן מסוג זה משתמש בשינוי הצבע של כימיקלים מסוימים כדי לזהות ריכוזי גזים. כאשר ריכוז הגז משתנה, הוא גורם לחומר החיישן לחוות תגובות כימיות כגון קומפלקס יוני או שינויי צבע אינדיקטורים, מה שמוביל לשינוי בצבע הצבע הרגיש לגז6. על ידי איתור וניתוח השינויים בצבע, ניתן למדוד את ריכוז הגז בעקיפין. בינתיים, למרות היתרונות של עלות נמוכה וניידות, לחיישן מסוג זה עדיין יש כמה חסרונות, כגון מחזור פיתוח ארוך ויעילות נמוכה 7,8,9. יחד עם זאת, שיטות מסורתיות של תכנון חיישנים מתקשות לעמוד במאפייני חישה מרובים בו זמנית, כגון השגת זמן התגובה, ההפיכות ומגבלת הגילוי הנדרשים. תחת פרדיגמת המחקר והפיתוח המסורתית, קשיים אלו מעכבים מאוד את הייצור והיישום הנרחב של חיישני גז קולורימטריים.

בתגובה לאתגרים שהוזכרו לעיל במחקר ופיתוח לפי דרישה, טכנולוגיית החיישנים הקולורימטריים שפותחה באמצעות תהליך ניסיוני זה יכולה לטפל בכמה מהחסרונות של חישת גז מסורתית. על ידי שימוש בגישת תכנון-בנייה-בדיקה-למידה איטרטיבית (DBTL)10,11, ניתן לשפר משמעותית את היעילות של פיתוח חיישנים, ובכך להפחית את זמן המחקר והפיתוח ולענות ביעילות על צרכי המחקר והפיתוח 1,12. במערך פיתוח DBTL טיפוסי, פיתוח חומרים חדשים נלקח כלולאת משוב איטרטיבית. הלולאה מכילה ארבעה שלבים מרכזיים: 1. תכנון פרמטרי האופטימיזציה, היעדים ודגימת מרחב הפרמטרים לניסוי ניסוי; 2. בנה את הדוגמאות של הפרמטרים שנבחרו; 3. בדוק את ערך היעד עבור הדגימות שנבנו; 4. ניתוח למידת מכונה של משוב היעד כדי להנחות את בחירת פרמטרי האצווה הבאה. בתהליך איטרטיבי זה, פלטפורמת הניסוי בעלת התפוקה הגבוהה המאפשרת בנייה ובדיקה מהירה של דגימות, ואלגוריתמי למידת המכונה הם מרכיבי המפתח. פלטפורמת הבדיקה האוטומטית בעלת התפוקה הגבוהה יכולה לבדוק בו זמנית עד 384 יחידות חישה, ולאסוף כמות גדולה של נתוני תגובה באיכות גבוהה. על ידי שימוש באלגוריתמים של למידת מכונה 13,14,15,16,17, כגון אופטימיזציה בייסיאנית רב-אובייקטיבית, ניתן לבצע אופטימיזציה של מדדי חישה מרובים של יחידות החישה (למשל, רגישות, זמן תגובה והפיכות) בו-זמנית ואוטומטית, ובכך לשפר את הביצועים הכוללים של מאפייני חישה שונים. מתכוני יחידות החישה שנוצרו על ידי אלגוריתם האופטימיזציה יכולים להשיג גילוי ריכוז CO2 כמותי ללא כיול פרטני, ומדד השגיאה הריבועית הממוצעת (RMSE) יכול גם לעמוד באינדיקטורים הנדרשים.

התוכנית שלנו היא הליך ניסיוני שפותח על בסיס חישת גז קולורימטרי (ראה איור 1 לתרשים הזרימה). עם התפתחות מעבדות מונעות עצמיות, גישת ה-DBTL האוטומטית הראתה סיכויים מצוינים בשל היעילות, המהירות ויכולת החזרה הגבוהה שלה 5,12. תהליך הפיתוח הידני המסורתי כולל התאמה של משתנה אחד בכל פעםתהליך הפיתוח הידני המסורתי כולל התאמת משתנה אחד בכל פעם, ואחריו שינוי משתנה אחר כדי לייעל את פרמטר היעד ולהשיג את התוצאה הרצויה. החסרונות העיקריים של תהליך זה כוללים יעילות נמוכה בניסויים ידניים, רגישות לטעויות אנוש, קושי בניהול משתנים רב-ממדיים בתרחישים מורכבים רב-ממדיים ונטייה להיתקע באופטימיות מקומית. בהשוואה לתהליך הפיתוח הידני, שיטת DBTL שאומצה בתוכנית ניסיונית זו משתמשת ברובוטיקה בשילוב עם אלגוריתמים מתקדמים של למידה אקטיבית כגון אופטימיזציה בייסיאנית רב-תכליתית. אופטימיזציה בייסיאנית היא גישה הסתברותית לאופטימיזציה של פונקציות אובייקטיביות יקרות להערכה15,18. הוא בונה מודל חלופי, לעתים קרובות תהליך גאוס, כדי להעריך את פונקציית המטרה ומשתמש בפונקציית רכישה כדי להחליט על הנקודה הבאה לדגימה. פונקציית הרכישה מאזנת בין חקירה (חיפוש אזורים שנדגמו פחות) וניצול (חידוד אזורים ידועים בעלי ביצועים גבוהים) כדי למצוא ביעילות את המקסימום או המינימום הגלובלי. שיטה זו שימושית במיוחד במרחבי חיפוש בעלי מימדים גבוהים ולא קמורים שבהם טכניקות אופטימיזציה מסורתיות נאבקות. לאחר הגדרה גסה של הגבולות העליונים והתחתונים של תוכן הרכיבים, הוא מייעל באופן דינמי ניסויים כדי להשיג את היחס האופטימלי עם הביצועים הטובים ביותר באופן איטרטיבי. שיטה זו משפרת מאוד את היעילות ומפחיתה עלויות ומתפקדת בצורה יעילה יותר במרחב הרב-משתנים לפיתוח המתכון האופטימלי 5,12.

המטרה הכוללת של מאמר זה היא לבסס הליך ניסיוני המבוסס על שיטת DBTL האוטומטית באמצעות טכנולוגיות מחשב שונות כגון למידת מכונה, אופטימיזציה בייסיאנית מרובת אובייקטים ופלטפורמות בדיקה ניסיוניות, כולל פלטפורמת הטיפול האוטומטית בנוזלים ופלטפורמת בדיקת גז בתפוקה גבוהה. זה יאפשר תכנון ומחקר של חיישני גז קולורימטריים. פלטפורמת הרובוט לטיפול בנוזלים "Opentrons OT-2" המותאמת אישית משמשת להשלמת ניסויים בהתאם להגדרות התוכנית, ומבצעת באופן אוטומטי שלבים כגון סינתזת מתכונים, ערבוב וטבילה. פלטפורמת בדיקת הגז הביתית בעלת תפוקה גבוהה משמשת לבדיקת גז וקריאת חיישנים קולורימטריים בצורה בעלת תפוקה גבוהה, שליטה מדויקת בריכוזי גזי המטרה ורישום שינויי הצבע של יחידות החישה בזמן אמת. בהשוואה למערכות ניסיוניות אחרות שתוכננו על בסיס DBTL, למערכת זו עלות חומרה נמוכה יחסית. במקביל, התייחסנו באופן חלקי להיבטים של המשימה הכרוכים בטעויות אנוש באמצעות גישה חצי אוטומטית. מתן התועלת השולית המקסימלית תוך שמירה על היתרונות של תכנון DBTL.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

1. ניסוי מקדים (בדיקת היתכנות)

הערה: בהתבסס על מאמר8 של Zhang, ניתן לבחור את המשתנים הרלוונטיים של חיישנים קולורימטריים כימיים עבור גז המטרה, כגון פחמן דו חמצני. לפני ביצוע האופטימיזציה לפי דרישה של ניסוחי החיישן הקולורימטרי, ניתן לבצע ניסוי מקדים באמצעות ההליכים הבאים כדי לקבוע את המרחב המשתנה.

  1. קבע את טווח הריכוז של גז המטרה וקבע תצורת בדיקת גז.
    הערה: ריכוז גז המטרה בתצורת בדיקת הגז עולה באופן ליניארי או אקספוננציאלי.
  2. לפני ואחרי זרימת כל ריכוז של גז המטרה, יש לטהר את מערכת הבדיקה בחנקן. שמור על היחס בין זמן הזרימה של חנקן לגז המטרה על 1:1.
    הערה: אם ריכוז גז המטרה הוא <1 עמודים לדקה, זמן הזרימה הוא ~10 דקות; אם ריכוז גז המטרה הוא ≥1 ppm, זמן הזרימה הוא ~5 דקות.
  3. הכינו את פתרונות המקור של משתנים עם ריכוזים מתאימים לתמיסה על סמך גורמים כמו רוויה וצמיגות.
    הערה: בדרך כלל מומלץ לשמור על הריכוז הגבוה ביותר האפשרי של תמיסות המקור.
  4. הגדר את הנפח הכולל של התמיסה של ניסוח החיישן הקולורימטרי ל-400 מיקרוליטר; לאחר מכן, הגדר את טווח הנפח עבור כל פתרון מקור של המשתנים בהתאם לספרות.
    הערה: טווחי הנפח עבור תמיסות המקור של צבעים הם בדרך כלל בין 0 μL ל-200 μL, בעוד שטווחי הנפח עבור פתרונות מקור אחרים הם בדרך כלל בין 0 μL ל-100 μL. מרווח הדגימה של תמיסת המקור הוא ~25 μL.
  5. צור אצווה של 96 ניסוחים באמצעות פונקציות דגימה אקראיות כדי לאמת את היתכנות גילוי גז המטרה באמצעות קולורימטריה כימית.
  6. טען את קובץ ניסוח החיישן הקולורימטרי, פתרון המקור, קצות, צלחת 96 בארות וממברנת PTFE לתוך המטפל בנוזל, וצור ברצף מספרי פרטי זהות בלתי תלויים (איור 2).
  7. הגדר את המטפל בנוזל לאופן סימולציה כדי לחקות את הפעולה של סינתזה של נוסחאות חיישנים קולורימטריים, כגון שאיבת נוזלים, חלוקה, ניעור וטפטוף (איור 3).
  8. אם אין שגיאות במצב הסימולציה, הגדר את המטפל בנוזלים לניסוי והתחל להפוך את הסינתזה של חיישנים קולורימטריים לאוטומטית.
    הערה: הקוד לאוטומציה של התהליך פותח על בסיס חבילת תוכנת הקוד הפתוח "Opentrons". הסינתזה של חיישנים קולורימטריים צפויה להימשך 3-6 שעות.
  9. מכניסים את החיישנים הקולורימטריים לתנור בחום של 40 מעלות ומחממים למשך 50 דקות.
  10. הניחו את החיישנים הקולורימטריים המיובשים בתא הגזים ובדקו את אחידות התאורה בסביבת הבדיקה ואת אטימות תא הבדיקה. לאחר אישור שהוא ללא בעיות, השתמש בבקרי זרימת המסה (MFC) כדי לשלוט באופן אוטומטי על קצבי הזרימה של גז האנליט (עם ריכוז ca) והחנקן (ריכוז cn), תוך ביצוע תצורת בדיקת הגז. נניח שקצב זרימת הגז הכולל הוא S בנפח/דקה, וריכוז האנליט היעד הוא c. קצבי הזרימה של MFC גז האנליט ו-MFC חנקן בנפח/דקה הם
    figure-protocol-1(1)
    figure-protocol-2(2)
  11. במהלך תהליך הזרימה, מקם מצלמה מעל תא הגזים כדי לצלם תמונה כל 5 שניות כדי לתעד את שינויי הצבע של החיישנים הקולורימטריים (איור 4).
    הערה: בדיקת הזרימה צפויה להסתיים בעוד כשעתיים.
  12. שימו לב שהמחשב טוען את התמונות שצולמו בסדר כרונולוגי, מחלץ את ערכי הצבע RGB מכל חיישן קולורימטרי בכל תמונה, ולאחר מכן מחשב את ההבדלים ביחס לצבע הבסיס שנמדד לפני החשיפה לגז המטרה, ובכך מתווה נתון וריאציה צבעונית של החיישנים הקולורימטריים לאורך זמן הזרימה. הנוסחה לחישוב הפרש הצבעים ΔE מוצגת כ-Eq (1):
    figure-protocol-3(3)
  13. שימו לב אם ישנם חיישנים קולורימטריים המציגים שינויי צבע משמעותיים בגז המטרה והאם ערכי שינוי הצבע עולים בשילוב עם עלייה בריכוז גז המטרה. אם כן, היתכנות השימוש בחיישנים קולורימטריים כימיים לגילוי גז המטרה מאומתת.
  14. בהתבסס על התוצאות שלפני הניסוי, התאם את הגבולות העליונים והתחתונים של פתרונות המקור של המשתנים והסר פתרונות מקור בעלי השפעה לא מהותית.

2. השתמש בפלטפורמה ניסויית רובוטית לביצוע תהליך האופטימיזציה האיטרטיבי של Design-Build-Test-Learn (DBTL)

  1. עיצוב: הגדר פונקציות רב-אובייקטיביות וצור ניסוחים של חיישנים קולורימטריים.
    1. הגדר פונקציה רב-אובייקטיבית לחישוב ניקוד ההערכה המשוקלל עבור מספרי כשרון מרובים של החיישנים הקולורימטריים (איור 5).
      הערה: ניתן למצוא את הפירוט של ציון ההערכה המשוקלל בהפניה1.
    2. אם אופטימיזציה של DBTL נמצאת בסיבוב הראשוני, צור באופן אקראי 96 ניסוחים ראשוניים של חיישנים קולורימטריים וצור מזהה קמפיין עבור משימת אופטימיזציה זו.
    3. אם ה-DBTL נמצא בסבב השני או מאוחר יותר, תכנן את האצווה הבאה של 96 ניסוחי חיישנים קולורימטריים תוך שימוש בפונקציות רכישה שונות (כגון גבול ביטחון עליון, הסתברות לשיפור ושיפור צפוי). בנוסף, כוונן את ההיפרפרמטרים של פונקציית הרכישה בכל סיבוב. בדרך כלל, κ כהיפרפרמטר עבור UCB, עם ערך שאינו עולה על 5 ומשמש figure-protocol-4 כהיפרפרמטר עבור EI ו-POI, שיורד בהדרגה לקרוב ל-0 ככל שאיטרציות האופטימיזציה גדלות. שלוש המשוואות הבאות (4), (5) ו-(6) בהתאמה ממחישות את פונקציות הרכישה עבור UCB, EI ו-POI:
      figure-protocol-5(4)
      figure-protocol-6(5)
      figure-protocol-7(6)
      כאשר μ(x) הוא הממוצע; σ(x) הוא השונות; κ,figure-protocol-8 הם פרמטרים המאזנים בין חקירה וניצול, הנשלטים על ידי סיבוב האיטרציה וקצב הדעיכה; f(x) הוא ציון ההערכה המשוקלל; fcurrentMax הוא ציון ההערכה המשוקלל הגבוה ביותר הנוכחי.
    4. לאחר יצירת ניסוחים של חיישנים קולורימטריים בכל סיבוב שאינו ראשוני, שים לב אם ניסוחים אלה של חיישנים קולורימטריים מציגים ציפיות גבוהות או אי ודאות גבוהה. אם לא, חזור על הפעולה של שלב 2.1.3. אם כן, בצע את שלב הבנייה.
  2. Build: סינתזה אוטומטית של חיישנים קולורימטריים. ראה פרטים בשלבים 1.7-1.10.
  3. בדיקה: תן לבדיקה האוטומטית של חיישנים קולורימטריים להמשיך. ראה פרטים בשלבים 1.11-1.13.
  4. למד: התאם מודל פונדקאית
    1. השתמש במשתני ניסוח החיישן הקולורימטרי ובציוני ההערכה המשוקללים שלהם כקלט ופלט של המודל החלופי, בהתאמה.
    2. השתמש ברגרסיה של תהליך גאוס עם הפונקציה הממוצעת עבור k(xi, xj) ופונקציית השונות (גרעין) k(xi, xj) כדי להתאים למודל החלופי.
      הערה: איור 6 מציג את המודל החלופי למשתנים חד-ממדיים ודו-ממדיים. באלגוריתם התאמת התהליך הגאוסי שפותח, נבחר גרעין מטרן אנזוטרופי בשילוב עם גרעין רעש לבן (ראה שתי משוואות הבאות, Eq (7) ו-Eq (8)) כדי להבטיח את הכלליות של פונקציית הקרנל.
      figure-protocol-9(7)
      figure-protocol-10(8)
  5. קריטריוני סיום אופטימיזציה: שים לב שאופטימיזציה של DBTL נעצרת כאשר מספר האיטרציות מגיע לערך מוגדר מראש, או כאשר אין שיפור משמעותי בציונים המשוקללים של החיישנים הקולורימטריים שנוצרו.

3. בנייה ואפיון של מערך החיישנים הקולורימטריים האופטימלי

  1. עבור ששת מרווחי הריכוז של גז המטרה, בצע קמפיינים של אופטימיזציה של n DBTL כדי לגלות שישה ניסוחים של חיישנים קולורימטריים אופטימליים או כמעט-אופטימליים. בתוך כל מרווח ריכוז, ניסוח החיישן הקולורימטרי האופטימלי מציג את ציון ההערכה המשוקלל הגבוה ביותר בבדיקת גז היעד.
  2. השתמש במטפל בנוזלים כדי לבנות בערך את מערכי החיישנים הקולורימטריים המורכבים משש ניסוחי החיישנים הקולורימטריים המותאמים. שלבים 1.7-1.10 מפרטים את הפעולה הספציפית באמצעות המטפל בנוזלים.
  3. בדיקת חיי מדף:
    1. בנה 14 מערכי חיישנים קולורימטריים וחלק אותם לשתי קבוצות. אחסן קבוצה אחת במצב פתוח בטמפרטורה של 25 מעלות צלזיוס והשנייה בוואקום.
    2. שמור על תנאי בדיקה עקביים ובצע בדיקות תגובה יומיות לאורך תקופה של 7 ימים כדי להעריך את ההשפעה של שני תנאי האחסון על ביצועי מערך החיישנים הקולורימטרי, ובכך להסיק את חיי המדף בשתי אסטרטגיות האחסון.

4. כיול מערך החיישנים הקולורימטריים

  1. לבניית מערך חיישנים קולורימטרי, ראה פרטים בשלבים 3.1-3.2.
  2. דגימת נתונים:
    1. בחר 5-10 ערכי ריכוז במרווחים שווים עבור כל טווח ריכוזים של גז המטרה, עם סך של לא פחות מ-20 ריכוזים שונים.
    2. חשוף את מערך החיישנים הקולורימטריים לגז המטרה לפי ערך הריכוז בסדר עולה או יורד ורשום את ערכי התגובה של מערך החיישנים הקולורימטרי.
      הערה: נדרשו חמישה עד 10 מחזורי CO2/N2 עבור כל ריכוז CO2 .
  3. הקלטת נתוני חישה: לאחר חשיפה לגז המטרה בריכוזים שונים למשך 5 או 10 דקות, חלץ ערכי ערוץ R, G ו-B של n חיישנים קולורימטריים ממערך החיישנים הקולורימטריים כתכונות להזנה למודל הכיול. וקטור התכונה מכיל 3 × n ממדים.
  4. חלוקת מערך נתונים: בהתבסס על מספר הריכוזים של גז המטרה, חלקו את נתוני התגובה בריכוזים שונים לערכת האימון, ערכת האימות וערכת הבדיקה ביחס של 7:1.5:1.5.
  5. אימון מודלים: ראשית, השתמש בחבילות Python, כגון scikit-learn ו-torch, כדי לבנות ארבעה מודלים של רגרסיה של למידת מכונה לכיול: Ridge, Random Forest, Xgboost ו-Deep Neural Network. לאחר מכן, הגדר את שורש השגיאה הריבועית הממוצעת כפונקציית ההפסד. לבסוף, טען את מערך הנתונים והתחל לאמן את מודל הכיול.
  6. בחירת מודל: אמת את הביצועים של ארבעת מודלי הרגרסיה של למידת מכונה באמצעות ערכת האימות ובחר את המודל עם השגיאה הריבועית הממוצעת הקטנה ביותר כמודל הכיול הסופי.
  7. בדיקת דגם: השתמש בערכת הבדיקה כדי לבצע בדיקת ביצועים במודל הכיול הסופי, להעריך את הביצועים של מערך החיישנים הקולורימטריים ומודל הכיול לניתוח כמותי של גז המטרה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

דוגמה טיפוסית למערך ניסיוני זה היא "מערך חיישני CO 2 קולורימטרי רחב טווח בעל רגישות גבוהה"12. ראשית, הניסוי מייצר תרשים המבוסס על השינוי ב-ΔE לאורך זמן בריכוזCO2 קבוע לאחר אופטימיזציה רב-אובייקטיבית בייסיאנית (איור 7A). בהתבסס על זמן התגובה הגרוע, ΔE וההפיכות שלו, יש לבטל 1 מיותר (זמן תגובה איטי), 2 מיותר (לא מגיב) ו-3 מיותר (סחיפה בסיסית) על ידי פונקציית האופטימיזציה הבייסיאנית הרב-תכליתית שבה המטרה מוגדרת להשיג את המתכון של הרגישות הגבוהה ביותר...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

מאמר זה מציע תכנון ניסיוני שיכול לפתח חיישני גז קולורימטריים במהירות ובדייקנות רבה יותר. ניתן להשתמש בתהליך ניסיוני זה לפיתוח חיישנים קולורימטריים לגזים שונים, כגון לחות, CO2 ואמוניה 1,4,5. באמצעות השיטה של פלטפורמה זו, היא יכולה לענות על הצרכים של משתמשים עם העדפות שונות, כגון רגישות גבוהה, מגבלת זיהוי נמוכה, זמן תגובה נדרש, בהתחשב בנוכחות גזים מפריעים, לחות ותרחישי ניסוי שונים אחרים...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחברים אין ניגודי אינטרסים להצהיר עליהם.

תודות

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

עבודה זו נתמכת על ידי הקרן למדעי הטבע של מחוז ג'ג'יאנג (LQ24F040006) וקרן הסטארט-אפ של אוניברסיטת שנזן לטכנולוגיה מתקדמת.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
96 בארות עמוק באר צלחתNEST NEST2 מ"ל 96 באר עמוקה צלחת, V תחתון
96 באר PCR צלחתNEST NEST0.1 מ"ל 96 בארות PCR צלחת
קרסול אדוםסיגמא אולדריץ'1.05225צבעים עבור ריאגנטים קולורימטריים
אתיל תאיתסיגמא אולדריץ'200689צבעים עבור ריאגנטים קולורימטריים
אתיל תאיתאלאדיןתוספתE110670-100g
HKVisionMV-CS060-10UM/C-PROהמשמשת להקלטת שינויי צבע
מטפל בנוזליםOpentronsOT2מטפל בנוזלים
בקר זרימת מסהASERT AST10-DLCMX-500C-042-A2B2-48VYהמשמש לשליטה באנליטים תערובות גז
m-cresol סגולסיגמא אולדריץ'1.05228צבעים לריאגנטים קולורימטריים
Opentrons OT-2 טיפיםOpentronsOT-2 טיפים, 300µ L
טיפים ל-Opentrons OT-2טיפים ל-OpentronsOT-2, 20µ L
פנול אדוםסיגמא אולדריץ'1.07241צבעים עבור ריאגנטים קולורימטריים
פוליאתילן גליקולסיגמא אולדריץ'P1458צבעים עבור ריאגנטים קולורימטריים
סרט PTFE מוצריםמיוחדים בין-מדינתייםPM15MPTFE ממבראן
טטרה-בוטילאמוניום הידרוקסידסיגמא אלדריץ'86854בסיס לריאגנטים קולורימטריים
תימול כחולסיגמא אולדריץ'1.08176צבעים עבור ריאגנטים קולורימטריים
מצלמה תעשייתית

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

DBTL
הסרטון יגיע בקרוב

מאמרים קשורים