Articolo metodologico

Procedura sperimentale robotizzata per lo sviluppo di sensori colorimetrici di gas

DOI:

10.3791/67940

⸱

28 febbraio 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

In questo articolo

Sommario

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

Qui, presentiamo un protocollo per sviluppare sensori di gas colorimetrici utilizzando un approccio DBTL (Design-Build-Test-Learn) basato su robot. Questo protocollo integra l'automazione ad alto rendimento, l'apprendimento automatico e l'ottimizzazione multi-obiettivo per scoprire e ottimizzare in modo efficiente le formulazioni dei sensori per la rilevazione di gas come la CO2, consentendo uno sviluppo rapido, economico e preciso dei sensori.

Abstract

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

Questo articolo presenta un programma sperimentale basato su robot volto a sviluppare un sensore di gas colorimetrico efficiente e veloce. Il programma utilizza un approccio automatizzato di progettazione-costruzione-test-apprendimento (DBTL), che ottimizza il processo di ricerca in modo iterativo ottimizzando al contempo più ricette per diversi intervalli di concentrazione del gas. In ogni iterazione, l'algoritmo genera un batch di suggerimenti di ricette basati su varie funzioni di acquisizione e, con l'aumento del numero di iterazioni, i valori della funzione obiettivo ponderata per ciascun intervallo di concentrazione migliorano significativamente.

Il metodo DBTL inizia con l'inizializzazione dei parametri, la configurazione dell'ambiente hardware e software. I test di base stabiliscono gli standard di prestazione. Successivamente, il metodo DBTL progetta il successivo ciclo di ottimizzazione in base alla proporzione di ricette in ciascun ciclo e testa le prestazioni in modo iterativo. La valutazione delle prestazioni confronta i dati di base per valutare l'efficacia del metodo DBTL. Se il miglioramento delle prestazioni non soddisfa le aspettative, il metodo verrà eseguito in modo iterativo; Se gli obiettivi vengono raggiunti, l'esperimento si conclude. L'intero processo massimizza le prestazioni del sistema attraverso il processo di ottimizzazione iterativa DBTL.

Rispetto al tradizionale processo di sviluppo manuale, il metodo DBTL adottato da questo processo sperimentale utilizza l'ottimizzazione multi-obiettivo e vari algoritmi di apprendimento automatico. Dopo aver definito i limiti superiore e inferiore del volume del componente, il metodo DBTL ottimizza dinamicamente gli esperimenti iterativi per ottenere il rapporto ottimale con le migliori prestazioni. Questo metodo migliora notevolmente l'efficienza, riduce i costi e funziona in modo più efficiente all'interno dello spazio variabile multi-formulazione quando si trova la ricetta ottimale.

Introduzione

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

Le applicazioni pratiche dei sensori di gas sono molto ampie e sono state utilizzate in vari campi come il monitoraggio ambientale, l'aerospaziale e il trattamento dei gas di scarico 1,2,3. Il principio di funzionamento dei sensori di gas si basa in genere su molteplici meccanismi, come l'elettrochimica, la gascromatografia e l'ottica. Tra i molti meccanismi di rilevamento, quello basato sul cambiamento di colore si è evoluto in un meccanismo acido-base che si distingue in modo unico. Grazie al suo basso costo e alla semplicità di applicazione, è ampiamente utilizzato nella progettazione di molti sensori di gas portatili e usa e getta, come i sensori di CO2 1,4,5. Questo tipo di sensore utilizza il cambiamento di colore di alcune sostanze chimiche per rilevare le concentrazioni di gas. Quando la concentrazione di gas cambia, il materiale del sensore subisce reazioni chimiche come la complessazione ionica o i cambiamenti di colore dell'indicatore, portando al cambiamento di colore del colorante sensibile al gas6. Rilevando e analizzando i cambiamenti di colore, la concentrazione di gas può essere misurata indirettamente. Nel frattempo, nonostante i vantaggi del basso costo e della portabilità, questo tipo di sensore presenta ancora alcune carenze, come un lungo ciclo di sviluppo e una bassa efficienza 7,8,9. Allo stesso tempo, i metodi tradizionali di progettazione dei sensori faticano a soddisfare più caratteristiche di rilevamento contemporaneamente, come il raggiungimento del tempo di risposta, della reversibilità e del limite di rilevamento richiesti. Nell'ambito del tradizionale paradigma di ricerca e sviluppo, queste difficoltà ostacolano gravemente la produzione e l'applicazione diffusa di sensori di gas colorimetrici.

In risposta alle sfide sopra menzionate nella ricerca e nello sviluppo on-demand, la tecnologia dei sensori colorimetrici sviluppata attraverso questo processo sperimentale può risolvere alcune delle carenze del rilevamento dei gas tradizionale. Utilizzando un approccio iterativo di progettazione-costruzione-test-apprendimento (DBTL) 10,11, l'efficienza dello sviluppo del sensore può essere notevolmente migliorata, riducendo così i tempi di ricerca e sviluppo e soddisfacendo efficacemente le esigenze di ricerca e sviluppo 1,12. In una tipica configurazione di sviluppo DBTL, lo sviluppo di nuovi materiali viene considerato come un ciclo di feedback iterativo. Il ciclo contiene quattro passaggi chiave: 1. Progettazione dei parametri di ottimizzazione, degli obiettivi e campionamento dello spazio dei parametri per un esperimento di prova; 2. Costruisci i campioni dei parametri selezionati; 3. Testare il valore target per i campioni costruiti; 4. Analisi di Machine Learning del feedback target per guidare la selezione dei parametri del lotto successivo. In questo processo iterativo, la piattaforma sperimentale ad alto rendimento che consente la creazione e il test rapidi dei campioni e gli algoritmi di apprendimento automatico sono i componenti chiave. La piattaforma di test automatizzata ad alta produttività può testare contemporaneamente fino a 384 unità di rilevamento, raccogliendo una grande quantità di dati di risposta di alta qualità. Utilizzando gli algoritmi di apprendimento automatico 13,14,15,16,17, come l'ottimizzazione bayesiana multi-obiettivo, è possibile ottimizzare simultaneamente e automaticamente più metriche di rilevamento delle unità di rilevamento (ad esempio, sensibilità, tempo di risposta e reversibilità, migliorando così le prestazioni complessive di varie caratteristiche di rilevamento. Le ricette dell'unità di rilevamento generate dall'algoritmo di ottimizzazione possono ottenere il rilevamento quantitativo della concentrazione di CO2 senza calibrazione individuale e la metrica dell'errore quadratico medio (RMSE) può anche soddisfare gli indicatori richiesti.

Il nostro programma è una procedura sperimentale sviluppata sulla base del rilevamento colorimetrico dei gas (vedi Figura 1 per il diagramma di flusso). Con lo sviluppo di laboratori autogestiti, l'approccio DBTL automatizzato ha mostrato eccellenti prospettive grazie alla sua elevata efficienza, velocità e ripetibilità 5,12. Il tradizionale processo di sviluppo manuale prevede la regolazione di una variabile alla voltaIl tradizionale processo di sviluppo manuale prevede la regolazione di una variabile alla volta, seguita dalla modifica di un'altra variabile per ottimizzare il parametro target e ottenere il risultato desiderato. Gli svantaggi principali di questo processo includono la bassa efficienza negli esperimenti manuali, la suscettibilità all'errore umano, la difficoltà nella gestione di variabili multidimensionali in scenari complessi ad alta dimensionalità e la tendenza a rimanere bloccati nell'ottica locale. Rispetto al processo di sviluppo manuale, il metodo DBTL adottato in questo programma sperimentale utilizza la robotica combinata con algoritmi avanzati di apprendimento attivo come l'ottimizzazione bayesiana multi-obiettivo. L'ottimizzazione bayesiana è un approccio probabilistico per l'ottimizzazione di funzioni obiettivo costose da valutare15,18. Costruisce un modello surrogato, spesso un processo gaussiano, per approssimare la funzione obiettivo e utilizza una funzione di acquisizione per decidere il punto successivo da campionare. La funzione di acquisizione bilancia l'esplorazione (ricerca di regioni meno campionate) e lo sfruttamento (raffinazione di regioni note ad alte prestazioni) per trovare in modo efficiente il massimo o il minimo globale. Questo metodo è particolarmente utile negli spazi di ricerca non convessi ad alta dimensione, dove le tecniche di ottimizzazione tradizionali hanno difficoltà. Dopo aver definito approssimativamente i limiti superiore e inferiore del contenuto dei componenti, ottimizza dinamicamente gli esperimenti per ottenere il rapporto ottimale con le migliori prestazioni in modo iterativo. Questo metodo migliora notevolmente l'efficienza e riduce i costi e funziona in modo più efficiente all'interno dello spazio multivariabile per lo sviluppo della ricetta ottimale 5,12.

L'obiettivo generale di questo articolo è stabilire una procedura sperimentale basata sul metodo DBTL automatizzato attraverso varie tecnologie informatiche come l'apprendimento automatico, l'ottimizzazione bayesiana multi-oggetto e piattaforme di test sperimentali, tra cui la piattaforma automatizzata di gestione dei liquidi e la piattaforma di test dei gas ad alto rendimento. Ciò consentirà la progettazione e la ricerca di sensori di gas colorimetrici. La piattaforma robotica personalizzata per la manipolazione dei liquidi "Opentrons OT-2" viene utilizzata per completare gli esperimenti in base alle impostazioni del programma, eseguendo automaticamente passaggi come la sintesi delle ricette, la miscelazione e l'immersione. La piattaforma di test dei gas ad alta produttività fatta in casa viene utilizzata per i test dei gas e la lettura dei sensori colorimetrici in modo ad alta produttività, controllando con precisione le concentrazioni dei gas target e registrando i cambiamenti di colore delle unità di rilevamento in tempo reale. Rispetto ad altri sistemi sperimentali progettati sulla base di DBTL, questo sistema ha un costo hardware relativamente basso. Allo stesso tempo, abbiamo affrontato parzialmente gli aspetti dell'attività che coinvolgono l'errore umano attraverso un approccio semi-automatizzato. fornendo il massimo beneficio marginale pur mantenendo i vantaggi della progettazione DBTL.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

1. Esperimento preliminare (test di fattibilità)

NOTA: Sulla base dell'articolo8 di Zhang, è possibile selezionare le variabili rilevanti dei sensori colorimetrici chimici per il gas target, come l'anidride carbonica. Prima di eseguire l'ottimizzazione su richiesta delle formulazioni del sensore colorimetrico, è possibile condurre un esperimento preliminare utilizzando le seguenti procedure per stabilire lo spazio variabile.

  1. Determinare l'intervallo di concentrazione del gas target e stabilire una configurazione di test del gas.
    NOTA: La concentrazione del gas target all'interno della configurazione di test del gas aumenta linearmente o esponenzialmente.
  2. Prima e dopo il flusso di ciascuna concentrazione del gas target, spurgare il sistema di prova con azoto. Mantenere il rapporto tra il tempo di flusso dell'azoto e il gas target a 1:1.
    NOTA: Se la concentrazione del gas target è <1 ppm, il tempo di flusso è ~10 min; Se la concentrazione di gas target è ≥1 ppm, il tempo di flusso è ~5 min.
  3. Preparare le soluzioni sorgente di variabili con concentrazioni appropriate alla soluzione in base a fattori quali saturazione e viscosità.
    NOTA: In genere si consiglia di mantenere la massima concentrazione possibile delle soluzioni di partenza.
  4. Impostare il volume totale della soluzione della formulazione del sensore colorimetrico a 400 μL; Quindi, impostare l'intervallo di volume per ciascuna soluzione sorgente delle variabili in base alla letteratura.
    NOTA: Gli intervalli di volume per le soluzioni sorgente dei coloranti sono generalmente compresi tra 0 μl e 200 μl, mentre gli intervalli di volume per altre soluzioni sorgente sono generalmente compresi tra 0 μl e 100 μl. L'intervallo di campionamento della soluzione sorgente è di ~25 μL.
  5. Genera un batch di 96 formulazioni attraverso funzioni di campionamento casuale per verificare la fattibilità del rilevamento del gas target utilizzando la colorimetria chimica.
  6. Caricare il file di formulazione del sensore colorimetrico, la soluzione di origine, i puntali, la piastra a 96 pozzetti e la membrana in PTFE nel gestore di liquidi e generare in sequenza numeri di informazioni sull'identità indipendenti (Figura 2).
  7. Impostare il gestore di liquidi in modalità di simulazione per simulare il funzionamento della sintesi delle formulazioni dei sensori colorimetrici, come l'aspirazione, l'erogazione, l'agitazione e il gocciolamento dei liquidi (Figura 3).
  8. Se non ci sono errori nello stato di simulazione, impostare il gestore del liquido sull'esperimento e iniziare ad automatizzare la sintesi dei sensori colorimetrici.
    NOTA: Il codice per l'automazione del processo è sviluppato sulla base del pacchetto software open source "Opentrons". La sintesi dei sensori colorimetrici dovrebbe richiedere 3-6 ore.
  9. Mettere i sensori colorimetrici in forno a 40 °C e scaldare per 50 min.
  10. Posizionare i sensori colorimetrici essiccati nella camera a gas e verificare l'uniformità dell'illuminazione nell'ambiente di prova e la tenuta all'aria della camera di prova. Una volta confermato che non ci sono problemi, utilizzare i regolatori di flusso di massa (MFC) per controllare automaticamente le portate del gas analita (con concentrazione ca) e dell'azoto (concentrazione cn), eseguendo la configurazione del test del gas. Supponiamo che la portata complessiva del gas sia S in volume/min e che la concentrazione target dell'analita sia c. le portate per il gas analita MFC e l'azoto MFC in volume/min sono
    figure-protocol-1(1)
    figure-protocol-2(2)
  11. Durante il processo di scorrimento, posizionare una fotocamera sopra la camera a gas per scattare una foto ogni 5 s per registrare i cambiamenti di colore dei sensori colorimetrici (Figura 4).
    NOTA: Il test di fluidità dovrebbe essere completato in circa 2 ore.
  12. Si noti che il computer carica le immagini acquisite in ordine cronologico, estrae i valori di colore RGB da ciascun sensore colorimetrico in ogni immagine e quindi calcola le differenze relative al colore di base misurato prima dell'esposizione al gas target, tracciando così una cifra di variazione del colore dei sensori colorimetrici nel tempo di scorrimento. La formula per calcolare la differenza di colore ΔE è mostrata come Eq (1):
    figure-protocol-3(3)
  13. Osservare se ci sono sensori colorimetrici che mostrano cambiamenti di colore significativi nel gas target e se i valori di cambiamento di colore aumentano in concomitanza con un aumento della concentrazione di gas target. In tal caso, viene verificata la fattibilità dell'utilizzo di sensori colorimetrici chimici per rilevare il gas target.
  14. Sulla base dei risultati pre-sperimentali, regolare i limiti superiore e inferiore delle soluzioni sorgente delle variabili e rimuovere le soluzioni sorgente che hanno un effetto non sostanziale.

2. Utilizzare una piattaforma sperimentale robotica per condurre il processo di ottimizzazione iterativa Design-Build-Test-Learn (DBTL)

  1. Progettazione: impostazione di funzioni multi-obiettivo e generazione di formulazioni di sensori colorimetrici.
    1. Impostare una funzione multi-obiettivo per calcolare il punteggio di valutazione ponderato per più figure di merito dei sensori colorimetrici (Figura 5).
      NOTA: Il dettaglio del punteggio di valutazione ponderato è disponibile nel riferimento1.
    2. Se l'ottimizzazione DBTL è nel round iniziale, genera in modo casuale 96 formulazioni iniziali del sensore colorimetrico e crea un ID campagna per questa attività di ottimizzazione.
    3. Se il DBTL è al secondo ciclo o a quelli successivi, progettare il lotto successivo di 96 formulazioni di sensori colorimetrici utilizzando diverse funzioni di acquisizione (come il limite superiore di confidenza, la probabilità di miglioramento e il miglioramento atteso). Inoltre, è possibile ottimizzare gli iperparametri della funzione di acquisizione in ogni round. Generalmente, κ è l'iperparametro per UCB, con un valore non superiore a 5 e figure-protocol-4 funge da iperparametro per EI e POI, che diminuisce gradualmente fino a quasi 0 all'aumentare delle iterazioni di ottimizzazione. Le tre equazioni seguenti (4), (5) e (6) illustrano rispettivamente le funzioni di acquisizione per UCB, EI e POI:
      figure-protocol-5(4)
      figure-protocol-6(5)
      figure-protocol-7(6)
      Dove μ(x) è la media; σ(x) è la varianza; κ,figure-protocol-8 sono parametri che bilanciano l'esplorazione e lo sfruttamento, controllati dal ciclo di iterazione e dal tasso di decadimento; f(x) è il punteggio di valutazione ponderato; fcurrentMax è l'attuale punteggio di valutazione ponderato più alto.
    4. Dopo aver generato le formulazioni dei sensori colorimetrici in ogni ciclo non iniziale, osservare se queste formulazioni dei sensori colorimetrici mostrano aspettative elevate o un'elevata incertezza. In caso contrario, ripetere l'operazione del passaggio 2.1.3. In tal caso, eseguire la fase di compilazione.
  2. Costruire: sintetizzare automaticamente i sensori colorimetrici. Vedere i dettagli nei passaggi 1.7-1.10.
  3. Test: Lasciate procedere con il test automatizzato dei sensori colorimetrici. Vedere i dettagli nei passaggi 1.11-1.13.
  4. Impara: Adatta il modello surrogato
    1. Utilizzare le variabili di formulazione del sensore colorimetrico e i relativi punteggi di valutazione ponderati rispettivamente come input e output del modello surrogato.
    2. Utilizzare una regressione del processo gaussiano con la funzione media per k(x,i, x,j) e la funzione di covarianza (kernel), k(x,i, x, j) per adattare il modello surrogato.
      NOTA: La Figura 6 mostra il modello surrogato per variabili monodimensionali e bidimensionali. Nell'algoritmo di adattamento del processo gaussiano sviluppato, viene scelto un kernel di Matérn anisotropo combinato con un kernel di rumore bianco (vedi le seguenti due equazioni, Eq (7) e Eq (8)) per garantire la generalità della funzione kernel.
      figure-protocol-9(7)
      figure-protocol-10(8)
  5. Criteri di terminazione dell'ottimizzazione: si noti che l'ottimizzazione DBTL si interrompe quando il numero di iterazioni raggiunge un valore preimpostato o quando non vi è alcun miglioramento significativo nei punteggi ponderati dei sensori colorimetrici generati.

3. Costruzione e caratterizzazione dell'array di sensori colorimetrici ottimale

  1. Per i sei intervalli di concentrazione del gas target, eseguire campagne di ottimizzazione DBTL per scoprire sei formulazioni di sensori colorimetrici ottimali o quasi ottimali a livello globale. All'interno di ogni intervallo di concentrazione, la formulazione ottimizzata del sensore colorimetrico mostra il punteggio di valutazione ponderato più alto nel test del gas target.
  2. Utilizza il gestore di liquidi per costruire approssimativamente gli array di sensori colorimetrici composti dalle sei formulazioni di sensori colorimetrici ottimizzate. I passaggi 1.7-1.10 descrivono in dettaglio l'operazione specifica utilizzando il gestore di liquidi.
  3. Test di shelf-life:
    1. Costruisci 14 array di sensori colorimetrici e dividili in due gruppi. Conservare un gruppo in uno stato aperto a 25 °C e l'altro sottovuoto.
    2. Mantenere condizioni di test coerenti ed eseguire test di risposta giornalieri per un periodo di 7 giorni per valutare l'impatto delle due condizioni di conservazione sulle prestazioni dell'array di sensori colorimetrici, deducendo così la durata di conservazione in entrambe le strategie di conservazione.

4. Calibrazione dell'array di sensori colorimetrici

  1. Per la costruzione di array di sensori colorimetrici, vedere i dettagli nei passaggi 3.1-3.2.
  2. Campionamento dei dati:
    1. Selezionare 5-10 valori di concentrazione a intervalli uguali per ciascun intervallo di concentrazione del gas target, con un totale di non meno di 20 concentrazioni diverse.
    2. Esporre l'array di sensori colorimetrici al gas target in base al valore di concentrazione in ordine crescente o decrescente e registrare i valori di risposta dell'array di sensori colorimetrici.
      NOTA: Erano necessari da cinque a 10 cicli di CO2/N2 per ogni concentrazione di CO2 .
  3. Registrazione dei dati di rilevamento: dopo l'esposizione al gas target a varie concentrazioni per 5 o 10 minuti, estrarre i valori dei canali R, G e B di n sensori colorimetrici dall'array di sensori colorimetrici come caratteristiche da inserire nel modello di calibrazione. Il vettore di funzionalità contiene 3 × n dimensioni.
  4. Divisione del set di dati: in base al numero di concentrazioni del gas target, dividere i dati di risposta a diverse concentrazioni nel set di addestramento, nel set di convalida e nel set di test in un rapporto 7:1,5:1,5.
  5. Addestramento del modello: prima di tutto, usa i pacchetti Python, come scikit-learn e torch, per costruire quattro modelli di regressione di machine learning per la calibrazione: Ridge, Random Forest, Xgboost e Deep Neural Network. Quindi, impostare l'errore quadratico medio radice come funzione di perdita. Infine, caricare il set di dati e iniziare ad addestrare il modello di calibrazione.
  6. Selezione del modello: convalidare le prestazioni dei quattro modelli di regressione di Machine Learning utilizzando il set di convalida e selezionare il modello con l'errore quadratico medio più piccolo come modello di calibrazione finale.
  7. Test del modello: utilizzare il set di test per eseguire un test delle prestazioni sul modello di calibrazione finale, valutando le prestazioni dell'array di sensori colorimetrici e del modello di calibrazione per l'analisi quantitativa del gas target.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Un tipico esempio di questa configurazione sperimentale è il "Wide-Range High-Sensitivity Colorimetric CO2 Sensor Array"12. In primo luogo, l'esperimento genera un grafico basato sulla variazione di ΔE nel tempo a una concentrazione fissa di CO2 dopo l'ottimizzazione multi-obiettivo bayesiana (Figura 7A). Sulla base del suo scarso tempo di risposta, ΔE e reversibilità, il non necessario 1 (tempo di risposta lento), il non necessario 2 (non reatti...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

Questo articolo propone un progetto sperimentale in grado di sviluppare sensori di gas colorimetrici in modo più rapido e accurato. Questo processo sperimentale può essere utilizzato per sviluppare sensori colorimetrici per vari gas, come umidità, CO2 e ammoniaca 1,4,5. Attraverso il metodo di questa piattaforma, può soddisfare le esigenze degli utenti con varie preferenze, come alta ...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori non hanno conflitti di interesse da dichiarare.

Ringraziamenti

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

Questo lavoro è supportato dalla Natural Science Foundation della provincia di Zhejiang (LQ24F040006) e dal fondo di avvio della Shenzhen University of Advanced Technology.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Piastra a 96 pozzettiNESTNEST 2 mL Piastra a 96 pozzetti, fondo
Piastra per PCR a 96 pozzettiNEST NEST0,1 mL Piastra
cresolo rossosigma aldrich1.05225Coloranti per reagenti colorimetrici
Etilcellulosasigma aldrich200689Coloranti per reagenti colorimetrici
EtilcellulosaAladinoE110670-100gAdditive Industrial
CameraHKVisionMV-CS060-10UM/C-PROutilizzato per la registrazione dei cambiamenti di colore
Liquid handlerOpentronsOT2liquid handler
Mass Flow ControllerASERTAST10-DLCMX-500C-042-A2B2-48VYutilizzato nel controllo delle miscele di gas degli analiti
m-cresol purplesigma aldrich1.05228Coloranti per reagenti colorimetrici
Opentrons OT-2 TipsOpentronsOT-2 Tips, 300µ
Punte Opentrons OT-2 PunteOpentronsOT-2, 20µ
fenolo rossosigma aldrich1.07241Coloranti per reagenti colorimetrici
polietilenglicolesigma aldrichP1458Coloranti per reagenti colorimetrici
Film in PTFEInterstate Specialty ProductsPM15MPTFE mambrano
Tetrabutilammonio idrossidosigmaaldrich 86854Base per reagenti
colorimetricithymol bluesigma aldrich1.08176Coloranti per reagenti colorimetrici
a Vper PCR a 96 pozzettiLL

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Robotic Experimental ProcedureDBTL MethodAutomated OptimizationMulti Objective OptimizationMachine Learning AlgorithmsRecipe OptimizationPerformance EvaluationIterative ExperimentationGas Sensor Development
Video in arrivo

Articoli correlati