Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Zrobotyzowana procedura eksperymentalna do rozwoju kolorymetrycznej detekcji gazów

685 wyświetleń

⸱

DOI:

10.3791/67940

⸱

28 lutego 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

W tym artykule

Podsumowanie

Tutaj prezentujemy protokół do opracowania kolorymetrycznych czujników gazu przy użyciu robotycznego podejścia Design-Build-Test-Learn (DBTL). Protokół ten integruje wysokowydajną automatyzację, uczenie maszynowe i optymalizację wielozadaniową, aby skutecznie wykrywać i optymalizować formuły czujników do wykrywania gazów, takich jak CO2 , umożliwiając szybkie, ekonomiczne i precyzyjne opracowywanie czujników.

Streszczenie

Ten artykuł przedstawia eksperymentalny program oparty na robotach, mający na celu opracowanie wydajnego i szybkiego kolorymetrycznego czujnika gazu. Program wykorzystuje zautomatyzowane podejście Design-Build-Test-learning (DBTL), które iteracyjnie optymalizuje proces wyszukiwania, jednocześnie optymalizując wiele receptur dla różnych zakresów stężeń gazu. W każdej iteracji algorytm generuje partię propozycji receptur w oparciu o różne funkcje akwizycji, a wraz ze wzrostem liczby iteracji wartości ważonej funkcji celu dla każdego przedziału stężeń znacznie się poprawiają.

Metoda DBTL rozpoczyna się od inicjalizacji parametrów, ustawienia środowiska sprzętowego i programowego. Testy podstawowe wyznaczają standardy wydajności. Następnie metoda DBTL projektuje kolejną rundę optymalizacji w oparciu o proporcję receptur w każdej rundzie i iteracyjnie testuje wydajność. Ocena wydajności polega na porównaniu danych wyjściowych w celu oceny skuteczności metody DBTL. Jeśli poprawa wydajności nie spełnia oczekiwań, metoda zostanie wykonana iteracyjnie; Jeśli cele zostaną osiągnięte, eksperyment zostanie zakończony. Cały proces maksymalizuje wydajność systemu poprzez iteracyjny proces optymalizacji DBTL.

W porównaniu do tradycyjnego procesu ręcznego opracowywania, metoda DBTL przyjęta w tym eksperymentalnym procesie wykorzystuje optymalizację wielozadaniową i różne algorytmy uczenia maszynowego. Po zdefiniowaniu górnego i dolnego limitu objętości komponentu, metoda DBTL dynamicznie optymalizuje eksperymenty iteracyjne w celu uzyskania optymalnego stosunku przy najlepszej wydajności. Ta metoda znacznie poprawia wydajność, obniża koszty i działa wydajniej w przestrzeni zmiennych wielu receptur podczas znajdowania optymalnej receptury.

Wprowadzenie

Praktyczne zastosowania czujników gazu są bardzo obszerne i były używane w różnych dziedzinach, takich jak monitorowanie środowiska, lotnictwo i oczyszczanie gazów odlotowych1,2,3. Zasada działania czujników gazu zazwyczaj opiera się na wielu mechanizmach, takich jak elektrochemia, chromatografia gazowa i optyczna. Wśród wielu mechanizmów wykrywania, jeden oparty na zmianie koloru przekształcił się w mechanizm kwasowo-zasadowy, który wyróżnia się wyjątkowo. Ze względu na niski koszt i prostą aplikację jest szeroko stosowany w projektowaniu wielu przenośnych i jednorazowych czujników gazu, takich jak czujniki CO2 1,4,5. Ten typ czujnika wykorzystuje zmianę koloru niektórych substancji chemicznych do wykrywania stężeń gazów. Zmiana stężenia gazu powoduje, że materiał czujnika ulega reakcjom chemicznym, takim jak kompleksowanie jonowe lub zmiana koloru wskaźnika, co prowadzi do zmiany koloru barwnika wrażliwego na gaz6. Wykrywając i analizując zmiany koloru, można pośrednio zmierzyć stężenie gazu. Tymczasem, pomimo zalet związanych z niskim kosztem i przenośnością, ten typ czujnika nadal ma pewne wady, takie jak długi cykl rozwoju i niska wydajność7,8,9. Jednocześnie tradycyjne metody projektowania czujników mają trudności z jednoczesnym spełnieniem wielu cech wykrywania, takich jak osiągnięcie wymaganego czasu reakcji, odwracalność i granica wykrywalności. Zgodnie z tradycyjnym paradygmatem badawczo-rozwojowym trudności te poważnie utrudniają produkcję i powszechne stosowanie kolorymetrycznych czujników gazów.

W odpowiedzi na wyżej wymienione wyzwania w zakresie badań i rozwoju na żądanie, technologia czujników kolorymetrycznych opracowana w tym eksperymentalnym procesie może rozwiązać niektóre z niedociągnięć tradycyjnego wykrywania gazów. Dzięki zastosowaniu iteracyjnego podejścia Design-Build-Test-learning (DBTL)10,11, można znacznie poprawić efektywność rozwoju czujników, skracając w ten sposób czas prac badawczo-rozwojowych i skutecznie zaspokajając potrzeby działu badań i rozwoju1,12. W typowej konfiguracji programistycznej DBTL opracowywanie nowych materiałów jest traktowane jako iteracyjna pętla sprzężenia zwrotnego. Pętla składa się z czterech kluczowych kroków: 1. Zaprojektowanie parametrów optymalizacji, celów i przestrzeni parametrów próbki dla eksperymentu próbnego; 2. Zbuduj próbki wybranych parametrów; 3. Przetestuj wartość docelową dla zbudowanych próbek; 4. Analiza danych zwrotnych celu za pomocą uczenia maszynowego w celu pokierowania wyborem parametrów następnej partii. W tym iteracyjnym procesie kluczowymi komponentami są wysokoprzepustowa platforma eksperymentalna, która pozwala na szybkie budowanie i testowanie próbek, oraz algorytmy uczenia maszynowego. Zautomatyzowana platforma testowa o wysokiej przepustowości może jednocześnie testować do 384 jednostek pomiarowych, zbierając dużą ilość wysokiej jakości danych odpowiedzi. Wykorzystując algorytmy uczenia maszynowego13,14,15,16,17, takich jak wieloobiektywowa optymalizacja bayesowska, wiele wskaźników czujników jednostek wykrywających (np. czułość, czas reakcji i odwracalność) może być jednocześnie i automatycznie optymalizowanych, poprawiając w ten sposób ogólną wydajność różnych czujników charakterystyka. Receptury jednostek pomiarowych generowane przez algorytm optymalizacji mogą osiągnąć ilościowe wykrywanie stężenia CO2 bez indywidualnej kalibracji, a metryka błędu średniokwadratowego (RMSE) może również spełniać wymagane wskaźniki.

Nasz program to eksperymentalna procedura opracowana na podstawie kolorymetrycznego wykrywania gazów (zobacz Rysunek 1 dla schematu blokowego). Wraz z rozwojem laboratoriów samokontrolnych, zautomatyzowane podejście DBTL wykazało doskonałe perspektywy ze względu na wysoką wydajność, szybkość i powtarzalność5,12. Tradycyjny ręczny proces rozwoju polega na dostosowywaniu jednej zmiennej na razTradycyjny ręczny proces rozwoju polega na dostosowywaniu jednej zmiennej na raz, a następnie modyfikowaniu innej zmiennej w celu optymalizacji parametru docelowego i osiągnięcia pożądanego wyniku. Do podstawowych wad tego procesu należy niska efektywność w eksperymentach manualnych, podatność na błędy ludzkie, trudności w zarządzaniu zmiennymi wielowymiarowymi w złożonych scenariuszach wielowymiarowych oraz tendencja do utknięcia w lokalnych optimach. W porównaniu z ręcznym procesem rozwoju, metoda DBTL przyjęta w tym eksperymentalnym programie wykorzystuje robotykę w połączeniu z zaawansowanymi algorytmami aktywnego uczenia się, takimi jak wielozadaniowa optymalizacja bayesowska. Optymalizacja bayesowska to probabilistyczne podejście do optymalizacji kosztownych do oceny funkcji obiektywnych15,18. Buduje model zastępczy, często proces Gaussa, w celu przybliżenia funkcji celu i wykorzystuje funkcję akwizycji do decydowania o następnym punkcie do próbkowania. Funkcja akwizycji równoważy eksplorację (przeszukiwanie regionów o mniejszej liczbie próbek) i eksploatację (rafinację znanych regionów o wysokiej wydajności) w celu skutecznego znalezienia globalnego maksimum lub minimum. Ta metoda jest szczególnie przydatna w wielowymiarowych, niewypukłych przestrzeniach wyszukiwania, w których tradycyjne techniki optymalizacji mają problemy. Po zgrubnym zdefiniowaniu górnego i dolnego limitu zawartości komponentów, dynamicznie optymalizuje eksperymenty, aby uzyskać optymalny stosunek z najlepszą wydajnością iteracyjnie. Ta metoda znacznie poprawia wydajność i obniża koszty oraz działa bardziej wydajnie w przestrzeni wielu zmiennych w celu opracowania optymalnej receptury5,12.

Ogólnym celem tego artykułu jest ustanowienie procedury eksperymentalnej opartej na zautomatyzowanej metodzie DBTL za pomocą różnych technologii komputerowych, takich jak uczenie maszynowe, wieloobiektowa optymalizacja Bayesowska i eksperymentalne platformy testowe, w tym zautomatyzowana platforma do obsługi cieczy i platforma do testowania gazów o wysokiej przepustowości. Umożliwi to projektowanie i badania kolorymetrycznych czujników gazów. Dostosowana platforma robota do obsługi cieczy "Opentrons OT-2" służy do przeprowadzania eksperymentów zgodnie z ustawieniami programu, automatycznie wykonując takie kroki, jak synteza receptury, mieszanie i zanurzanie. Domowa platforma do testowania gazów o wysokiej przepustowości służy do testowania gazów i odczytu czujników kolorymetrycznych w sposób wysokoprzepustowy, precyzyjnie kontrolując stężenia gazów docelowych i rejestrując zmiany kolorów jednostek pomiarowych w czasie rzeczywistym. W porównaniu z innymi eksperymentalnymi systemami zaprojektowanymi w oparciu o DBTL, system ten ma stosunkowo niski koszt sprzętu. Jednocześnie częściowo zajęliśmy się aspektami zadania, które wiążą się z błędem ludzkim, stosując podejście półautomatyczne. zapewniając maksymalną korzyść krańcową przy jednoczesnym zachowaniu zalet konstrukcji DBTL.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

1. Eksperyment wstępny (test wykonalności)

UWAGA: Na podstawie pracy Zhanga8 można dobrać odpowiednie zmienne dla chemicznych czujników kolorymetrycznych dla gazu docelowego, takiego jak dwutlenek węgla. Przed przeprowadzeniem optymalizacji składów czujnika kolorymetrycznego na żądanie można wykonać wstępny eksperyment zgodnie z poniższymi procedurami w celu ustalenia przestrzeni zmiennych.

  1. Wyznaczyć zakres stężeń gazu docelowego i ustalić konfigurację testu gazowego.
    UWAGA: Stężenie gazu docelowego w konfiguracji testu gazowego wzrasta liniowo lub wykładniczo.
  2. Przed i po przepływie każdego stężenia gazu docelowego przepłukać system testowy azotem. Zachować stosunek czasu przepływu azotu do gazu docelowego wynoszący 1:1.
    UWAGA: Jeśli stężenie gazu docelowego wynosi <1 ppm, czas przepływu wynosi ~10 min; jeśli stężenie gazu docelowego wynosi ≥1 ppm, czas przepływu wynosi ~5 min.
  3. Przygotować roztwory źródłowe zmiennych o stężeniach odpowiednich dla danego roztworu, opierając się na czynnikach takich jak nasycenie i lepkość.
    UWAGA: Zazwyczaj zaleca się utrzymanie najwyższego możliwego stężenia roztworów źródłowych.
  4. Ustawić całkowitą objętość roztworu formuły sensora kolorymetrycznego na 400 µL; następnie ustawić zakres objętości dla każdego roztworu źródłowego zmiennych zgodnie z literaturą.
    UWAGA: Zakresy objętości dla roztworów źródłowych barwników wynoszą zazwyczaj od 0 µL do 200 µL, natomiast zakresy objętości dla innych roztworów źródłowych wynoszą zazwyczaj od 0 µL do 100 µL. Interwał próbkowania roztworu źródłowego wynosi ~25 µL.
  5. Wygenerować partię 96 formuł za pomocą funkcji losowego próbkowania w celu zweryfikowania wykonalności wykrywania gazu docelowego przy użyciu kolorymetrii chemicznej.
  6. Wprowadzić do automatycznego dozownika cieczy plik z formułą sensora kolorymetrycznego, roztwór źródłowy, końcówki, płytkę 96-dołkową oraz membranę PTFE, a następnie sekwencyjnie wygenerować numery identyfikacyjne (Rysunek 2).
  7. Ustawić dozownik cieczy w trybie symulacji, aby odwzorować operacje syntezy formuł sensorów kolorymetrycznych, takie jak aspiracja cieczy, dozowanie, mieszanie i nakraplanie (Rysunek 3).
  8. Jeśli w stanie symulacji nie wystąpią błędy, przełączyć dozownik cieczy w tryb eksperymentu i rozpocząć zautomatyzowaną syntezę sensorów kolorymetrycznych.
    UWAGA: Kod do automatyzacji procesu został opracowany w oparciu o otwartoźródłowy pakiet oprogramowania „Opentrons”. Przewiduje się, że synteza sensorów kolorymetrycznych zajmie od 3 do 6 h.
  9. Umieścić sensory kolorymetryczne w piekarniku w temperaturze 40 °C i ogrzewać przez 50 min.
  10. Umieścić wysuszone sensory kolorymetryczne w komorze gazowej i sprawdzić jednorodność oświetlenia w środowisku testowym oraz szczelność komory testowej. Po potwierdzeniu braku problemów, użyć kontrolerów przepływu masowego (MFC) do automatycznego sterowania szybkością przepływu gazu analitycznego (o stężeniu ca) i azotu (stężenie cn), wykonując konfigurację testu gazowego. Przyjmując, że całkowita szybkość przepływu gazu wynosi S w objętości/min, a stężenie docelowego anality jest równe c, szybkości przepływu dla MFC gazu analitycznego i MFC azotu w objętości/min wynoszą:
    Wzór na równowagę statyczną, Sa=S×(c/ca), związany z równaniami analizy sił.     (1)
    Równanie przedstawiające wzór na rozcieńczenie; Sa=S−S×(c/ca); obliczanie stężenia chemicznego.     (2)
  11. Podczas procesu przepływu umieścić kamerę nad komorą gazową, aby wykonywać zdjęcie co 5 s w celu zarejestrowania zmian barwy sensorów kolorymetrycznych (Rysunek 4).
    UWAGA: Przewiduje się, że test przepływowy zostanie zakończony w ciągu około 2 h.
  12. Należy zauważyć, że komputer ładuje przechwycone obrazy w kolejności chronologicznej, wyodrębnia wartości kolorów RGB z każdego sensora kolorymetrycznego na każdym obrazie, a następnie oblicza różnice względem koloru bazowego zmierzonego przed ekspozycją na gaz docelowy, wykreślając w ten sposób wykres zmienności barwy sensorów kolorymetrycznych w czasie przepływu. Wzór na obliczanie różnicy barw ΔE przedstawiono w równaniu (1):
    Obliczanie różnicy barw, wzór ΔE, równanie matematyczne dla przestrzeni kolorów RGB.     (3)
  13. Zaobserwować, czy istnieją sensory kolorymetryczne wykazujące znaczące zmiany barwy w gazie docelowym i czy wartości zmiany barwy wzrastają wraz ze wzrostem stężenia gazu docelowego. Jeśli tak, wykonalność zastosowania chemicznych sensorów kolorymetrycznych do wykrywania gazu docelowego zostaje potwierdzona.
  14. W oparciu o wyniki wstępne dostosować górne i dolne granice roztworów źródłowych zmiennych oraz usunąć roztwory źródłowe, które mają nieznaczący wpływ.

2. Wykorzystanie zrobotyzowanej platformy eksperymentalnej do przeprowadzenia iteracyjnego procesu optymalizacji Projektuj-Buduj-Testuj-Ucz się (DBTL)

  1. Projektowanie: Ustalenie funkcji wielokryterialnych i generowanie składów czujników kolorymetrycznych.
    1. Ustalenie funkcji wielokryterialnej w celu obliczenia ważonej oceny dla wielu parametrów jakościowych czujników kolorymetrycznych (Rysunek 5).
      UWAGA: Szczegóły dotyczące ważonej oceny znajdują się w literaturze 1.
    2. Jeśli optymalizacja DBTL znajduje się w rundzie początkowej, należy losowo wygenerować 96 początkowych składów czujników kolorymetrycznych i utworzyć identyfikator kampanii dla tego zadania optymalizacyjnego.
    3. Jeśli DBTL znajduje się w drugiej lub kolejnych rundach, należy zaprojektować następną partię 96 składów czujników kolorymetrycznych, wykorzystując różne funkcje akwizycji (takie jak Górna Granica Ufności (UCB), Prawdopodobieństwo Poprawy (POI) oraz Oczekiwana Poprawa (EI)). Dodatkowo, w każdej rundzie należy dostroić hiperparametry funkcji akwizycji. Zazwyczaj κ służy jako hiperparametr dla UCB, z wartością nieprzekraczającą 5, a Schemat równowagi, symbol ε, siły statyczne, równowaga wektorowa, koncepcja fizyczna. służy jako hiperparametr dla EI i POI, który stopniowo maleje do wartości bliskiej 0 wraz ze wzrostem liczby iteracji optymalizacji. Następujące trzy równania (4), (5) i (6) ilustrują odpowiednio funkcje akwizycji dla UCB, EI i POI:
      Wzór UCB, równanie modelowania statystycznego, schemat optymalizacji, koncepcja wnioskowania bayesowskiego.     (4)
      Wzór oczekiwanej poprawy, EI(x)=E(f(x)-f_currentMax-ε|f(x)-f_currentMax-ε>0), równanie. (5)
      Równanie potencjalnej optymalizacji, POI(x)=P(f(x)-f_currentMax-ϵ>0), formuła matematyczna.     (6)
      Gdzie μ(x) to średnia; σ(x) to wariancja; κ, Schemat równowagi, symbol ε, siły statyczne, równowaga wektorowa, koncepcja fizyczna. to parametry równoważące eksplorację i eksploatację, kontrolowane przez rundę iteracji i tempo spadku; f(x) to ważona ocena; fcurrentMax to aktualnie najwyższa ważona ocena.
    4. Po wygenerowaniu składów czujników kolorymetrycznych w każdej rundzie poza początkową, należy sprawdzić, czy składy te wykazują wysokie oczekiwania lub wysoką niepewność. Jeśli nie, należy powtórzyć operację z kroku 2.1.3. Jeśli tak, należy przejść do etapu budowy.
  2. Budowa: Automatyczna synteza czujników kolorymetrycznych. Szczegóły znajdują się w krokach 1.7-1.10.
  3. Testowanie: Przeprowadzenie zautomatyzowanego testowania czujników kolorymetrycznych. Szczegóły znajdują się w krokach 1.11-1.13.
  4. Uczenie: Dopasowanie modelu zastępczego (Surrogate model)
    1. Wykorzystanie zmiennych składu czujnika kolorymetrycznego oraz ich ważonych ocen odpowiednio jako danych wejściowych i wyjściowych modelu zastępczego.
    2. Zastosowanie regresji procesów gaussowskich z funkcją średniej dla k(xi, xj) i funkcją kowariancji (jądrem) k(xi, xj) do dopasowania modelu zastępczego.
      UWAGA: Rysunek 6 przedstawia model zastępczy dla zmiennych jednowymiarowych i dwuwymiarowych. W opracowanym algorytmie dopasowania procesów gaussowskich wybrano anizotropowe jądro Matérna w połączeniu z jądrem białego szumu (patrz poniższe dwa równania, Równ. (7) i Równ. (8)), aby zapewnić ogólność funkcji jądra.
      Równanie procesów gaussowskich, f(x) ~ gp(μ(x), k(x_i, x_j)), formuła analizy statystycznej.    (7)
      Wzór jądra: k(xᵢ,xⱼ) = C × Matern(xᵢ,xⱼ) + Noise(xᵢ==xⱼ); stosowane w procesach gaussowskich. (8)
  5. Kryteria zakończenia optymalizacji: Należy pamiętać, że optymalizacja DBTL zostaje zatrzymana, gdy liczba iteracji osiągnie wartość z góry określoną lub gdy nie nastąpi znacząca poprawa ważonych ocen wygenerowanych czujników kolorymetrycznych.

3. Konstrukcja i charakterystyka optymalnego kolorymetrycznego układu czujników

  1. Dla sześciu przedziałów stężeń gazu docelowego przeprowadź n kampanii optymalizacji DBTL, aby opracować sześć globalnie optymalnych lub quasioptymalnych formulacji czujnika kolorymetrycznego. W każdym przedziale stężeń zoptymalizowana formulacja czujnika kolorymetrycznego wykazuje najwyższą ważoną ocenę ewaluacyjną podczas testów gazu docelowego.
  2. Wykorzystaj robot do obsługi cieczy, aby przygotować macierze czujników kolorymetrycznych składające się z sześciu zoptymalizowanych formulacji czujników kolorymetrycznych. Kroki 1.7-1.10 szczegółowo opisują konkretne operacje z użyciem robota do obsługi cieczy.
  3. Badanie trwałości:
    1. Przygotuj 14 macierzy czujników kolorymetrycznych i podziel je na dwie grupy. Jedną grupę przechowuj w warunkach otwartych w temperaturze 25 °C, a drugą w próżni.
    2. Zachowaj spójne warunki testowe i wykonuj codzienne testy odpowiedzi przez okres 7 dni, aby ocenić wpływ obu warunków przechowywania na działanie macierzy czujników kolorymetrycznych, co pozwoli na określenie okresu trwałości dla obu strategii przechowywania.

4. Kalibracja kolorymetrycznej macierzy czujników

  1. W celu konstrukcji kolorymetrycznej macierzy czujników należy zapoznać się ze szczegółami w krokach 3.1-3.2.
  2. Próbkowanie danych:
    1. Wybierz 5-10 wartości stężeń w równych odstępach dla każdego zakresu stężeń gazu docelowego, tak aby łączna liczba różnych stężeń nie była mniejsza niż 20.
    2. Naraź kolorymetryczną macierz czujników na gaz docelowy zgodnie z wartościami stężeń w kolejności rosnącej lub malejącej i zarejestruj wartości odpowiedzi kolorymetrycznej macierzy czujników.
      UWAGA: Dla każdego stężenia CO2 wymagano od pięciu do 10 cykli CO2/N2.
  3. Rejestrowanie danych pomiarowych: Po narażeniu na gaz docelowy o różnych stężeniach przez 5 lub 10 min, wyodrębnij wartości kanałów R, G i B z n czujników kolorymetrycznych z macierzy jako cechy do wprowadzenia do modelu kalibracyjnego. Wektor cech ma 3 × n wymiarów.
  4. Podział zbioru danych: W oparciu o liczbę stężeń gazu docelowego, podziel dane odpowiedzi przy różnych stężeniach na zbiór treningowy, zbiór walidacyjny i zbiór testowy w stosunku 7:1,5:1,5.
  5. Trening modelu: Najpierw wykorzystaj pakiety Pythona, takie jak scikit-learn i torch, aby skonstruować cztery regresyjne modele uczenia maszynowego do kalibracji: Ridge, Random Forest, Xgboost i Głęboka Sieć Neuronowa. Następnie ustaw pierwiastkowe średniokwadratowe odchylenie (RMSE) jako funkcję straty. Na koniec wczytaj zbiór danych i rozpocznij trenowanie modelu kalibracyjnego.
  6. Wybór modelu: Zweryfikuj wydajność czterech regresyjnych modeli uczenia maszynowego przy użyciu zbioru walidacyjnego i wybierz model z najmniejszym pierwiastkowym średniokwadratowym odchyleniem jako ostateczny model kalibracyjny.
  7. Testowanie modelu: Wykorzystaj zbiór testowy do przeprowadzenia testu wydajności ostatecznego modelu kalibracyjnego, oceniając skuteczność kolorymetrycznej macierzy czujników i modelu kalibracyjnego w ilościowej analizie gazu docelowego.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Typowym przykładem takiej konfiguracji eksperymentalnej jest „Szerokozakresowy wysokoczuły kolorymetryczny CO2 macierz sensorów12Po pierwsze, w wyniku eksperymentu generowany jest wykres obrazujący zmianę ΔE w czasie przy stałym stężeniu CO.2 stężenie po bayesowskiej optymalizacji wielokryterialnej (Rysunek 7A). Ze względu na słaby czas odpowiedzi, ΔE i odwracalność, należy wyeliminować unnecessary 1 (wolny czas odpowiedzi), unnecessary 2 (brak o...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W tym artykule zaproponowano eksperymentalny projekt, który może szybciej i dokładniej opracować kolorymetryczne czujniki gazu. Ten eksperymentalny proces można wykorzystać do opracowania czujników kolorymetrycznych dla różnych gazów, takich jak wilgotność, CO2 i amoniak 1,4,5. Dzięki metodzie tej platformy może zaspokoić potrzeby użytkowników o różnych preferencjach, takich jak wysoka czułość, niska granica wykrywaln...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają do zadeklarowania konfliktu interesów.

Podziękowania

Ta praca jest wspierana przez Fundację Nauk Przyrodniczych Prowincji Zhejiang (LQ24F040006) oraz fundusz startowy Uniwersytetu Zaawansowanych Technologii w Shenzhen.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
96-dołkowa płytkaNESTNEST 2 ml 96-dołkowa płytka głębinowa, V Dolna
96-dołkowa płytka do PCRNEST NEST0,1 ml 96-dołkowa płytka
Cresol RedSigma Aldrich1.05225Barwniki do odczynników kolorymetrycznych
Etylocelulozasigma aldrich200689Barwniki do odczynników kolorymetrycznych
EtylocelulozaAladdinE110670-100gDodatkowa
kamera przemysłowaHKVisionMV-CS060-10UM/C-PROsłuży do rejestrowania zmian kolorów
Obsługa cieczyOpentronsOT2
Ciecz Regulator przepływu masowegoASERTAST10-DLCMX-500C-042-A2B2-48VYstosowany do kontrolowania mieszanin gazów analitów
M-Cresol PurpleSigma Aldrich1.05228Barwniki do odczynników kolorymetrycznych
Końcówki Opentrons OT-2 KońcówkiOpentronsOT-2, 300 i mikro; L
Końcówki Opentrons OT-2 KońcówkiOpentronsOT-2, 20 i mikro; L
fenol czerwonysigma aldrich1.07241Barwniki do odczynników kolorymetrycznych
glikol polietylenowysigma aldrichP1458Barwniki do odczynników kolorymetrycznych
Folia PTFEMiędzystanowe produkty specjalistycznePM15MMambrane PTFE
Wodorotlenek tetrabutyloamonusigma aldrich86854Baza do odczynników
kolorymetrycznychtymol niebieskisigma aldrich1.08176Barwniki do odczynników kolorymetrycznych
głębinowa do PCR

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Robotyczna procedura eksperymentalnametoda DBTLautomatyczna optymalizacjaoptymalizacja wielokryterialnaalgorytmy uczenia maszynowegooptymalizacja recepturyocena wydajno cieksperymentowanie iteracyjneopracowywanie czujnik w gazu
Film wkrótce dostępny
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.