Methodenartikel

Op robots gebaseerde experimentele procedure voor de ontwikkeling van colorimetrische gasdetectie

DOI:

10.3791/67940

⸱

28 februari 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 dit artikel

Samenvatting

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

Hier presenteren we een protocol om colorimetrische gassensoren te ontwikkelen met behulp van een op robots gebaseerde Design-Build-Test-Learn (DBTL)-benadering. Dit protocol integreert high-throughput automatisering, machine learning en multi-objectieve optimalisatie om sensorformuleringen voor het detecteren van gassen zoals CO2 efficiënt te ontdekken en te optimaliseren, waardoor snelle, kosteneffectieve en nauwkeurige sensorontwikkeling mogelijk wordt.

Samenvatting

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

Dit artikel presenteert een op robots gebaseerd experimenteel programma gericht op het ontwikkelen van een efficiënte en snelle colorimetrische gassensor. Het programma maakt gebruik van een geautomatiseerde Design-Build-Test-learning (DBTL)-benadering, die het zoekproces iteratief optimaliseert en tegelijkertijd meerdere recepten optimaliseert voor verschillende concentratie-intervallen van het gas. In elke iteratie genereert het algoritme een reeks receptsuggesties op basis van verschillende acquisitiefuncties, en met de toename van het aantal iteraties verbeteren de waarden van de gewogen objectieve functie voor elk concentratie-interval aanzienlijk.

De DBTL-methode begint met parameterinitialisatie, het instellen van de hardware- en softwareomgeving. Baselinetests stellen prestatienormen vast. Vervolgens ontwerpt de DBTL-methode de volgende optimalisatieronde op basis van het aandeel recepten in elke ronde en test de prestaties iteratief. Prestatie-evaluatie vergelijkt basisgegevens om de effectiviteit van de DBTL-methode te beoordelen. Als de prestatieverbetering niet aan de verwachtingen voldoet, wordt de methode iteratief uitgevoerd; Als de doelstellingen worden gehaald, eindigt het experiment. Het hele proces maximaliseert de systeemprestaties door middel van het iteratieve optimalisatieproces van DBTL.

Vergeleken met het traditionele handmatige ontwikkelingsproces, maakt de DBTL-methode die door dit experimentele proces wordt toegepast, gebruik van multi-objectieve optimalisatie en verschillende machine learning-algoritmen. Na het definiëren van de boven- en ondergrenzen van het componentvolume, optimaliseert de DBTL-methode dynamisch iteratieve experimenten om de optimale verhouding met de beste prestaties te verkrijgen. Deze methode verbetert de efficiëntie aanzienlijk, verlaagt de kosten en presteert efficiënter binnen de variabele ruimte met meerdere formuleringen bij het vinden van het optimale recept.

Inleiding

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

De praktische toepassingen van gassensoren zijn zeer uitgebreid en zijn gebruikt op verschillende gebieden, zoals milieumonitoring, lucht- en ruimtevaart en afvalgasbehandeling 1,2,3. Het werkingsprincipe van gassensoren is doorgaans gebaseerd op meerdere mechanismen, zoals elektrochemie, gaschromatografie en optisch. Van de vele detectiemechanismen is er een op basis van kleurverandering geëvolueerd naar een zuur-base-mechanisme dat op unieke wijze opvalt. Vanwege de lage kosten en eenvoudige toepassing wordt het veel gebruikt bij het ontwerp van veel draagbare en wegwerpgassensoren, zoals CO2 -sensoren 1,4,5. Dit type sensor gebruikt de kleurverandering van bepaalde chemicaliën om gasconcentraties te detecteren. Wanneer de gasconcentratie verandert, zorgt dit ervoor dat het sensormateriaal chemische reacties ervaart, zoals ionische complexatie of indicatorkleurveranderingen, wat leidt tot de kleurverandering van de gasgevoelige kleurstof6. Door de kleurveranderingen te detecteren en te analyseren, kan de gasconcentratie indirect worden gemeten. Ondertussen heeft dit type sensor, ondanks de voordelen van lage kosten en draagbaarheid, nog steeds enkele tekortkomingen, zoals een lange ontwikkelingscyclus en een laag rendement 7,8,9. Tegelijkertijd hebben traditionele methoden voor sensorontwerp moeite om aan meerdere detectiekenmerken tegelijk te voldoen, zoals het bereiken van de vereiste responstijd, omkeerbaarheid en detectielimiet. Onder het traditionele onderzoeks- en ontwikkelingsparadigma vormen deze moeilijkheden een ernstige belemmering voor de productie en wijdverbreide toepassing van colorimetrische gassensoren.

Als antwoord op de bovengenoemde uitdagingen op het gebied van on-demand onderzoek en ontwikkeling, kan de colorimetrische sensortechnologie die via dit experimentele proces is ontwikkeld, enkele van de tekortkomingen van traditionele gasdetectie aanpakken. Door gebruik te maken van een iteratieve Design-Build-Test-learning (DBTL)-benadering10,11, kan de efficiëntie van sensorontwikkeling aanzienlijk worden verbeterd, waardoor de onderzoeks- en ontwikkelingstijd wordt verkort en effectief wordt voldaan aan de behoeften van het onderzoek en de ontwikkeling 1,12. In een typische DBTL-ontwikkelingsopstelling wordt de ontwikkeling van nieuwe materialen opgevat als een iteratieve feedbacklus. De lus bevat vier belangrijke stappen: 1. Ontwerp van de optimalisatieparameters, doelen en steekproef van de parameterruimte voor een proefexperiment; 2. Bouw de steekproeven van de geselecteerde parameters; 3. Test de doelwaarde voor de gebouwde monsters; 4. Machine Learning-analyse van de doelfeedback om de selectie van de volgende batchparameters te begeleiden. In dit iteratieve proces zijn het high-throughput experimenteerplatform dat het mogelijk maakt om snel monsters te bouwen en te testen, en de machine learning-algoritmen de belangrijkste componenten. Het geautomatiseerde high-throughput testplatform kan tegelijkertijd tot 384 detectie-eenheden testen en een grote hoeveelheid hoogwaardige responsgegevens verzamelen. Door gebruik te maken van machine learning-algoritmen 13,14,15,16,17, zoals multi-objectieve Bayesiaanse optimalisatie, kunnen meerdere detectiestatistieken van de detectie-eenheden (bijv. gevoeligheid, responstijd en omkeerbaarheid) tegelijkertijd en automatisch worden geoptimaliseerd, waardoor de algehele prestaties van verschillende detectiekenmerken worden verbeterd. De detectie-eenheidsrecepten die door het optimalisatie-algoritme worden gegenereerd, kunnen kwantitatieve detectie van CO2 -concentraties bereiken zonder individuele kalibratie, en de root mean square error (RMSE) -metriek kan ook voldoen aan de vereiste indicatoren.

Ons programma is een experimentele procedure die is ontwikkeld op basis van colorimetrische gasdetectie (zie figuur 1 voor het stroomschema). Met de ontwikkeling van zelfsturende laboratoria heeft de geautomatiseerde DBTL-aanpak uitstekende vooruitzichten opgeleverd vanwege de hoge efficiëntie, snelheid en herhaalbaarheid 5,12. Het traditionele handmatige ontwikkelingsproces omvat de aanpassing van één variabele tegelijkHet traditionele handmatige ontwikkelingsproces omvat het aanpassen van één variabele tegelijk, gevolgd door het wijzigen van een andere variabele om de doelparameter te optimaliseren en het gewenste resultaat te bereiken. De belangrijkste nadelen van dit proces zijn onder meer een lage efficiëntie in handmatige experimenten, gevoeligheid voor menselijke fouten, moeite met het beheren van multidimensionale variabelen in complexe hoogdimensionale scenario's en de neiging om vast te lopen in lokale optima. Vergeleken met het handmatige ontwikkelingsproces maakt de DBTL-methode die in dit experimentele programma is toegepast, gebruik van robotica in combinatie met geavanceerde actieve leeralgoritmen zoals multi-objectieve Bayesiaanse optimalisatie. Bayesiaanse optimalisatie is een probabilistische benadering voor het optimaliseren van duur te evalueren objectieve functies 15,18. Het bouwt een surrogaatmodel, vaak een Gaussiaans proces, om de objectieve functie te benaderen en gebruikt een acquisitiefunctie om het volgende punt te bepalen om te bemonsteren. De acquisitiefunctie balanceert exploratie (zoeken in minder bemonsterde regio's) en exploitatie (het verfijnen van bekende goed presterende regio's) om efficiënt het wereldwijde maximum of minimum te vinden. Deze methode is vooral nuttig in hoogdimensionale, niet-convexe zoekruimten waar traditionele optimalisatietechnieken het moeilijk hebben. Na het ruwweg definiëren van de boven- en ondergrenzen van de componentinhoud, worden experimenten dynamisch geoptimaliseerd om iteratief de optimale verhouding met de beste prestaties te verkrijgen. Deze methode verbetert de efficiëntie aanzienlijk en verlaagt de kosten en presteert efficiënter binnen de multivariabele ruimte voor het ontwikkelen van het optimale recept 5,12.

Het algemene doel van dit artikel is om een experimentele procedure vast te stellen op basis van de geautomatiseerde DBTL-methode door middel van verschillende computertechnologieën zoals machine learning, Bayesiaanse optimalisatie met meerdere objecten en experimentele testplatforms, waaronder het geautomatiseerde vloeistofbehandelingsplatform en het gastestplatform met hoge doorvoer. Dit maakt het ontwerp en onderzoek van colorimetrische gassensoren mogelijk. Het op maat gemaakte "Opentrons OT-2" robotplatform voor vloeistofbehandeling wordt gebruikt om experimenten uit te voeren volgens de programma-instellingen, waarbij automatisch stappen worden uitgevoerd zoals receptsynthese, mengen en dippen. Het zelfgemaakte high-throughput gastestplatform wordt gebruikt voor gastesten en colorimetrische sensoruitlezing op een high-throughput-manier, waarbij de concentraties van doelgassen nauwkeurig worden geregeld en de kleurveranderingen van de detectie-eenheden in realtime worden geregistreerd. Vergeleken met andere experimentele systemen die zijn ontworpen op basis van DBTL, heeft dit systeem relatief lage hardwarekosten. Tegelijkertijd hebben we de aspecten van de taak waarbij menselijke fouten betrokken zijn gedeeltelijk aangepakt door middel van een semi-geautomatiseerde aanpak. het maximale marginale voordeel bieden met behoud van de voordelen van het DBTL-ontwerp.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

1. Voorbereidend experiment (haalbaarheidstest)

OPMERKING: Op basis van Zhang's paper8 kunnen de relevante variabelen van chemische colorimetrische sensoren voor het doelgas, zoals kooldioxide, worden geselecteerd. Alvorens de colorimetrische sensorformuleringen op aanvraag te optimaliseren, kan een voorbereidend experiment met de volgende procedures worden uitgevoerd om de variabele ruimte vast te stellen.

  1. Bepaal het concentratiebereik van het doelgas en stel een gastestconfiguratie vast.
    OPMERKING: De concentratie van het doelgas binnen de gastestconfiguratie neemt lineair of exponentieel toe.
  2. Voor en na het stromen van elke concentratie van het doelgas wordt het testsysteem met stikstof gespoeld. Houd de verhouding tussen de stroomtijd voor stikstof en het doelgas op 1:1.
    OPMERKING: Als de concentratie van het doelgas <1 ppm is, is de stroomtijd ~10 min; Als de beoogde gasconcentratie ≥1 ppm is, is de stroomtijd ~5 min.
  3. Bereid de bronoplossingen van variabelen voor met voor de oplossing geschikte concentraties op basis van factoren zoals verzadiging en viscositeit.
    OPMERKING: Het is over het algemeen raadzaam om een zo hoog mogelijke concentratie van de bronoplossingen aan te houden.
  4. Stel het totale volume van de oplossing van de colorimetrische sensorformulering in op 400 μl; Stel vervolgens het volumebereik in voor elke bronoplossing van de variabelen volgens de literatuur.
    OPMERKING: Het volumebereik voor de bronoplossingen van kleurstoffen ligt over het algemeen tussen 0 μL en 200 μL, terwijl het volumebereik voor andere bronoplossingen over het algemeen tussen 0 μL en 100 μL ligt. Het bemonsteringsinterval van de bronoplossing is ~25 μl.
  5. Genereer een batch van 96 formuleringen door middel van willekeurige bemonsteringsfuncties om de haalbaarheid van het detecteren van het doelgas met behulp van chemische colorimetrie te verifiëren.
  6. Laad het colorimetrische sensorformuleringsbestand, de bronoplossing, de tips, de plaat met 96 putjes en het PTFE-membraan in de vloeistofverwerker en genereer achtereenvolgens onafhankelijke identificatie-informatienummers (Afbeelding 2).
  7. Zet de vloeistofverwerker in de simulatiemodus om de werking van het synthetiseren van colorimetrische sensorformuleringen na te bootsen, zoals het aanzuigen, doseren, schudden en druppelen van vloeistoffen (Afbeelding 3).
  8. Als er geen fouten zijn in de simulatiestatus, stelt u de vloeistofhandler in op het experiment en begint u met het automatiseren van de synthese van colorimetrische sensoren.
    OPMERKING: De code voor het automatiseren van het proces is ontwikkeld op basis van het open-source softwarepakket "Opentrons". De synthese van colorimetrische sensoren zal naar verwachting 3-6 uur duren.
  9. Plaats de colorimetrische sensoren in een oven op 40 °C en verwarm gedurende 50 minuten.
  10. Plaats de gedroogde colorimetrische sensoren in de gaskamer en controleer de uniformiteit van de verlichting in de testomgeving en de luchtdichtheid van de testkamer. Zodra is bevestigd dat dit zonder problemen is, gebruikt u de Mass Flow Controllers (MFC) om automatisch de stroomsnelheden van het analytgas (met concentratie ca) en stikstof (concentratie cn) te regelen, waarbij de gastestconfiguratie wordt uitgevoerd. Stel dat het totale gasdebiet S in volume/min is en dat de doelanalytconcentratie c is. de debieten voor het analytgas MFC en stikstof MFC in volume/min zijn
    figure-protocol-1(1)
    figure-protocol-2(2)
  11. Plaats tijdens het stroomproces een camera boven de gaskamer om elke 5 s een foto te maken om de kleurveranderingen van de colorimetrische sensoren vast te leggen (Figuur 4).
    OPMERKING: De vloeitest zal naar verwachting in ongeveer 2 uur zijn voltooid.
  12. Merk op dat de computer de vastgelegde beelden in chronologische volgorde laadt, de RGB-kleurwaarden van elke colorimetrische sensor in elk beeld extraheert en vervolgens de verschillen berekent ten opzichte van de basislijnkleur die is gemeten voorafgaand aan de blootstelling aan het doelgas, waardoor een kleurvariatiecijfer van de colorimetrische sensoren over de stroomtijd wordt uitgezet. De formule voor het berekenen van het kleurverschil ΔE wordt weergegeven als Eq (1):
    figure-protocol-3(3)
  13. Observeer of er colorimetrische sensoren zijn die significante kleurveranderingen in het doelgas vertonen en of de kleurveranderingswaarden toenemen in combinatie met een toename van de doelgasconcentratie. Als dat het geval is, wordt de haalbaarheid geverifieerd van het gebruik van chemische colorimetrische sensoren om het doelgas te detecteren.
  14. Pas op basis van de pre-experimentele resultaten de boven- en ondergrenzen van bronoplossingen van de variabelen aan en verwijder bronoplossingen die een niet-substantieel effect hebben.

2. Gebruik een robotachtig experimenteel platform om het iteratieve optimalisatieproces van Design-Build-Test-Learn (DBTL) uit te voeren

  1. Ontwerp: Stel multi-objectieve functies in en genereer colorimetrische sensorformuleringen.
    1. Stel een functie met meerdere doelen in om de gewogen evaluatiescore te berekenen voor meerdere verdienstelijke cijfers van de colorimetrische sensoren (Afbeelding 5).
      OPMERKING: De details van de gewogen evaluatiescore zijn te vinden in de referentie1.
    2. Als de DBTL-optimalisatie zich in de beginronde bevindt, genereert u willekeurig 96 initiële colorimetrische sensorformuleringen en maakt u een campagne-ID voor deze optimalisatietaak.
    3. Als de DBTL zich in de tweede of latere rondes bevindt, ontwerpt u de volgende batch van 96 colorimetrische sensorformuleringen met behulp van verschillende acquisitiefuncties (zoals Upper Confidence Bound, Probability of Improvement en Expected Improvement). Verfijn bovendien de hyperparameters van de acquisitiefunctie in elke ronde. Over het algemeen dient κ als de hyperparameter voor UCB, met een waarde van niet meer dan 5 en figure-protocol-4 dient als de hyperparameter voor EI en POI, die geleidelijk afneemt tot bijna 0 naarmate de optimalisatie-iteraties toenemen. De volgende drie vergelijkingen (4), (5) en (6) illustreren respectievelijk de acquisitiefuncties voor UCB, EI en POI:
      figure-protocol-5(4)
      figure-protocol-6(5)
      figure-protocol-7(6)
      Waarbij μ(x) het gemiddelde is; σ(x) is de variantie; κ,figure-protocol-8 zijn parameters die exploratie en exploitatie in evenwicht brengen, gecontroleerd door de iteratieronde en de vervalsnelheid; f(x) is de gewogen evaluatiescore; fcurrentMax is de huidige hoogst gewogen evaluatiescore.
    4. Na het genereren van colorimetrische sensorformuleringen in elke niet-initiële ronde, observeert u of deze colorimetrische sensorformuleringen hoge verwachtingen of grote onzekerheid vertonen. Als dit niet het geval is, herhaalt u de handeling van stap 2.1.3. Als dit het geval is, voert u de bouwstap uit.
  2. Bouwen: Automatisch colorimetrische sensoren synthetiseren. Zie details in stap 1.7-1.10.
  3. Test: Laat het geautomatiseerd testen van colorimetrische sensoren doorgaan. Zie details in stap 1.11-1.13.
  4. Leren: Surrogaatmodel aanpassen
    1. Gebruik de colorimetrische sensorformuleringsvariabelen en hun gewogen evaluatiescores als respectievelijk de invoer en uitvoer van het surrogaatmodel.
    2. Gebruik een Gaussiaanse procesregressie met de gemiddelde functie voor k(xi, xj) en de covariantiefunctie (kernel) k(xi, xj) om in het surrogaatmodel te passen.
      OPMERKING: Figuur 6 toont het surrogaatmodel voor een- en tweedimensionale variabelen. In het ontwikkelde Gaussiaanse algoritme voor procesaanpassing wordt een anisotrope Matérn-kern gecombineerd met een witte ruiskern (zie de volgende twee vergelijkingen, Eq (7) en Eq (8)) gekozen om de algemeenheid van de kernelfunctie te garanderen.
      figure-protocol-9(7)
      figure-protocol-10(8)
  5. Beëindigingscriteria voor optimalisatie: Houd er rekening mee dat de DBTL-optimalisatie stopt wanneer het aantal iteraties een vooraf ingestelde waarde bereikt, of wanneer er geen significante verbetering is in de gewogen scores van de gegenereerde colorimetrische sensoren.

3. Constructie en karakterisering van de optimale colorimetrische sensorarray

  1. Voer voor de zes concentratie-intervallen van het doelgas n DBTL-optimalisatiecampagnes uit om zes globaal optimale of quasi-optimale colorimetrische sensorformuleringen te ontdekken. Binnen elk concentratie-interval vertoont de geoptimaliseerde colorimetrische sensorformulering de hoogste gewogen evaluatiescore in de doelgastest.
  2. Gebruik de vloeistofhandler om ongeveer de colorimetrische sensorarrays te construeren die zijn samengesteld uit de zes geoptimaliseerde colorimetrische sensorformuleringen. In de stappen 1.7-1.10 wordt de specifieke bewerking met behulp van de vloeistofverwerker in detail beschreven.
  3. Houdbaarheid testen:
    1. Construeer 14 colorimetrische sensorarrays en verdeel ze in twee groepen. Bewaar de ene groep in open toestand bij 25 °C en de andere in een vacuüm.
    2. Handhaaf consistente testomstandigheden en voer dagelijkse responstests uit gedurende een periode van 7 dagen om de impact van de twee opslagcondities op de prestaties van de colorimetrische sensorarray te evalueren, waardoor de houdbaarheid onder beide opslagstrategieën wordt afgeleid.

4. Kalibratie van de colorimetrische sensorarray

  1. Zie voor de constructie van de colorimetrische sensorarray de details in stap 3.1-3.2.
  2. Bemonstering van gegevens:
    1. Selecteer 5-10 concentratiewaarden met gelijke tussenpozen voor elk concentratiebereik van het doelgas, met een totaal van niet minder dan 20 verschillende concentraties.
    2. Stel de colorimetrische sensorarray bloot aan het doelgas volgens de concentratiewaarde in oplopende of aflopende volgorde en noteer de responswaarden van de colorimetrische sensorarray.
      OPMERKING: Voor elke CO2 -concentratie waren vijf tot 10 CO2 /N2-cycli nodig.
  3. Registratie van detectiegegevens: Na blootstelling aan het doelgas in verschillende concentraties gedurende 5 of 10 minuten, extraheert u de R-, G- en B-kanaalwaarden van n colorimetrische sensoren uit de colorimetrische sensorarray als functies die in het kalibratiemodel moeten worden ingevoerd. De kenmerkvector bevat 3 × n dimensies.
  4. Indeling van de dataset: Verdeel op basis van het aantal concentraties van het doelgas de responsgegevens bij verschillende concentraties in de trainingsset, de validatieset en de testset in een verhouding van 7:1,5:1,5.
  5. Modeltraining: Gebruik eerst de Python-pakketten, zoals scikit-learn en torch, om vier machine learning-regressiemodellen te maken voor kalibratie: Ridge, Random Forest, Xgboost en Deep Neural Network. Stel vervolgens de kwadratische fout van de wortel in als de verliesfunctie. Laad ten slotte de dataset en begin met het trainen van het kalibratiemodel.
  6. Modelselectie: valideer de prestaties van de vier machine learning-regressiemodellen met behulp van de validatieset en selecteer het model met de kleinste kwadratische fout als het uiteindelijke kalibratiemodel.
  7. Modeltesten: Gebruik de testset om een prestatietest uit te voeren op het uiteindelijke kalibratiemodel, waarbij de prestaties van de colorimetrische sensorarray en het kalibratiemodel voor kwantitatieve analyse van het doelgas worden geëvalueerd.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Een typisch voorbeeld van deze experimentele opstelling is de "Wide-Range High-Sensitivity Colorimetric CO2 Sensor Array"12. Eerst genereert het experiment een grafiek op basis van de verandering in ΔE in de loop van de tijd bij een vaste CO2 -concentratie na Bayesiaanse multi-objectieve optimalisatie (Figuur 7A). Op basis van de slechte responstijd, ΔE en omkeerbaarheid moeten onnodige 1 (trage responstijd), onn...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Dit artikel stelt een experimenteel ontwerp voor dat colorimetrische gassensoren sneller en nauwkeuriger kan ontwikkelen. Dit experimentele proces kan worden gebruikt om colorimetrische sensoren te ontwikkelen voor verschillende gassen, zoals vochtigheid, CO2 en ammoniak 1,4,5. Door de methode van dit platform kan het voldoen aan de behoeften van gebruikers met verschillende voorkeure...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs hebben geen belangenconflicten te melden.

Dankbetuigingen

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

Dit werk wordt ondersteund door de Natural Science Foundation van de provincie Zhejiang (LQ24F040006) en het startup-fonds van de Shenzhen University of Advanced Technology.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
96-Well Deep Well PlateNESTNEST 2 mL 96-Well Deep Well Plate, V Bottom
96-Well PCR PlateNESTNEST 0.1 mL 96-Well PCR Plate
cresol redsigma aldrich1.05225Kleurstoffen voor colorimetrische reagentia
Ethyl cellulosesigma aldrich200689Kleurstoffen voor colorimetrische reagentia
Ethyl celluloseAladdinE110670-100gAdditief
Industriële cameraHKVisionMV-CS060-10UM/C-PROgebruikt voor het opnemen van kleurveranderingen
VloeistofhandlerOpentronsOT2vloeistofhandler
MassastroomregelaarASERTAST10-DLCMX-500C-042-A2B2-48VYgebruikt bij het regelen van gasmengsels van analyten
m-cresol paarssigma aldrich1.05228Kleurstoffen voor colorimetrische reagentia
Opentrons OT-2 TipsOpentronsOT-2 Tips, 300µL
Opentrons OT-2 TipsOpentronsOT-2 Tips, 20µL
fenol roodsigma aldrich1.07241Kleurstoffen voor colorimetrische reagentia
polyethyleenglycolsigma aldrichP1458Kleurstoffen voor colorimetrische reagentia
PTFE-filmInterstate Specialty ProductsPM15MPTFE-membraan
Tetrabutylammoniumhydroxidesigma aldrich86854Basis voor colorimetrische reagentia
thymolblauwsigma aldrich1.08176Kleurstoffen voor colorimetrische reagentia

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Robotische experimentele procedureDBTL methodegeautomatiseerde optimalisatiemulti objectieve optimalisatiemachine learning algoritmenreceptoptimalisatieprestatie evaluatieiteratieve experimentatieontwikkeling van gassensoren
Video binnenkort beschikbaar

Gerelateerde artikelen