Artykuł metodologiczny

Zrobotyzowana procedura eksperymentalna do rozwoju kolorymetrycznej detekcji gazów

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

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

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

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

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

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

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

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

1. Wstępny eksperyment (test wykonalności)

UWAGA: Na podstawie artykułu Zhanga paper8, można wybrać odpowiednie zmienne chemicznych czujników kolorymetrycznych dla gazu docelowego, takie jak dwutlenek węgla. Przed przeprowadzeniem optymalizacji na żądanie receptur czujników kolorymetrycznych można przeprowadzić wstępny eksperyment z wykorzystaniem następujących procedur w celu ustalenia przestrzeni zmiennej.

  1. Określić 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 należy przepłukać układ testowy azotem. Stosunek czasu przepływu azotu do gazu docelowego należy utrzymywać na poziomie 1:1,
    UWAGA: Jeśli stężenie gazu docelowego wynosi <1 ppm, czas płynięcia wynosi ~10 min; Jeśli docelowe stężenie gazu wynosi ≥1 ppm, czas płynięcia wynosi ~5 min.
  3. Przygotować roztwory źródłowe zmiennych o stężeniach odpowiednich dla roztworu w oparciu o takie czynniki, jak nasycenie i lepkość.
    UWAGA: Generalnie zaleca się utrzymywanie najwyższego możliwego stężenia roztworów źródłowych.
  4. Ustaw całkowitą objętość roztworu preparatu czujnika kolorymetrycznego na 400 μl, a następnie ustaw zakres objętości dla każdego roztworu źródłowego zmiennych zgodnie z literaturą.
    UWAGA: Zakresy objętości dla roztworów źródłowych barwników wynoszą na ogół od 0 μl do 200 μl, podczas gdy zakresy objętości dla innych roztworów źródłowych wynoszą na ogół od 0 μl do 100 μl. Interwał próbkowania roztworu źródłowego wynosi ~25 μL.
  5. Wygeneruj partię 96 preparatów za pomocą funkcji losowego pobierania próbek, aby zweryfikować możliwość wykrycia gazu docelowego za pomocą kolorymetrii chemicznej.
  6. Załaduj plik receptury czujnika kolorymetrycznego, roztwór źródłowy, końcówki, płytkę 96-dołkową i membranę PTFE do urządzenia do obsługi cieczy i sekwencyjnie wygeneruj niezależne numery informacji o tożsamości (Rysunek 2).
  7. Ustaw obsługę cieczy w tryb symulacji, aby naśladować działanie syntezy preparatów czujników kolorymetrycznych, takich jak zasysanie cieczy, dozowanie, wstrząsanie i kapanie (Rysunek 3).
  8. Jeśli nie ma błędów w stanie symulacji, ustaw obsługę cieczy na eksperyment i rozpocznij automatyzację syntezy czujników kolorymetrycznych.
    UWAGA: Kod do automatyzacji procesu został opracowany w oparciu o pakiet oprogramowania open source "Opentrons". Synteza sensorów kolorymetrycznych ma zająć 3-6 godzin.
  9. Umieść czujniki kolorymetryczne w piekarniku w temperaturze 40 °C i podgrzewaj przez 50 minut.
  10. Umieść wysuszone czujniki kolorymetryczne w komorze gazowej i sprawdź równomierność oświetlenia w środowisku testowym oraz szczelność komory testowej. Po potwierdzeniu, że wszystko przebiega bez problemów, użyj kontrolerów przepływu masowego (MFC), aby automatycznie kontrolować natężenia przepływu gazowego analitu (o stężeniu ca) i azotu (o stężeniu cn), wykonując konfigurację testowania gazu. Załóżmy, że całkowite natężenie przepływu gazu wynosi S w objętości / min, a docelowe stężenie analitu wynosi c. natężenia przepływu analitu gazowego MFC i azotu MFC w objętości/min wynoszą
    figure-protocol-1 (1)
    figure-protocol-2 (2)
  11. Podczas procesu przepływu ustaw kamerę nad komorą gazową, aby robić zdjęcie co 5 sekund, aby rejestrować zmiany kolorów czujników kolorymetrycznych (Rysunek 4).
    UWAGA: Oczekuje się, że test płynności zostanie zakończony w ciągu około 2 godzin.
  12. Należy pamiętać, że komputer ładuje przechwycone obrazy w porządku chronologicznym, wyodrębnia wartości kolorów RGB z każdego czujnika kolorymetrycznego na każdym obrazie, a następnie oblicza różnice w stosunku do koloru linii bazowej zmierzonego przed ekspozycją na gaz docelowy, wykreślając w ten sposób wartość zmienności kolorów czujników kolorymetrycznych w czasie przepływu. Wzór na obliczenie różnicy kolorów ΔE jest pokazany jako Równanie (1):
    figure-protocol-3 (3)
  13. Obserwuj, czy istnieją czujniki kolorymetryczne wykazujące znaczące zmiany koloru gazu docelowego i czy wartości zmiany koloru rosną wraz ze wzrostem stężenia gazu docelowego. Jeśli tak, weryfikowana jest możliwość zastosowania chemicznych czujników kolorymetrycznych do wykrywania gazu docelowego.
  14. Na podstawie wyników przedeksperymentalnych dostosuj górne i dolne granice roztworów źródłowych zmiennych i usuń roztwory źródłowe, które mają nieistotny wpływ.

2. Wykorzystaj eksperymentalną platformę robotyczną do przeprowadzenia iteracyjnego procesu optymalizacji Design-Build-Test-Learn (DBTL)

  1. Projektowanie: Skonfiguruj funkcje wielozadaniowe i generuj formuły czujników kolorymetrycznych.
    1. Skonfiguruj funkcję wieloobiektywną, aby obliczyć ważony wynik oceny dla wielu wartości merytorycznych czujników kolorymetrycznych (Rysunek 5).
      UWAGA: Szczegółowe informacje na temat ważonego wyniku oceny można znaleźć w pliku reference1.
    2. Jeśli optymalizacja DBTL jest w początkowej rundzie, wygeneruj losowo 96 początkowych formuł czujników kolorymetrycznych i utwórz identyfikator kampanii dla tego zadania optymalizacji.
    3. Jeśli DBTL znajduje się w drugiej lub późniejszej rundzie, zaprojektuj następną partię 96 preparatów czujników kolorymetrycznych przy użyciu różnych funkcji akwizycji (takich jak górna granica ufności, prawdopodobieństwo poprawy i oczekiwana poprawa). Dodatkowo dostosuj hiperparametry funkcji akwizycji w każdej rundzie. Ogólnie rzecz biorąc, κ jako hiperparametr dla UCB, z wartością nieprzekraczającą 5 i figure-protocol-4 służy jako hiperparametr dla EI i POI, który stopniowo maleje do blisko 0 wraz ze wzrostem iteracji optymalizacji. Poniższe trzy równania (4), (5) i (6) ilustrują odpowiednio funkcje akwizycji dla UCB, EI i POI:
      figure-protocol-5 (4)
      figure-protocol-6 (5)
      figure-protocol-7 (6)
      Gdzie μ(x) jest średnią; σ(x) jest wariancją; κ,figure-protocol-8 to parametry, które równoważą eksplorację i eksploatację, kontrolowane przez rundę iteracyjną i szybkość zanikania; f(x) to ważony wynik oceny; fcurrentMax jest obecnie najwyższym ważonym wynikiem oceny.
    4. Po wygenerowaniu receptur czujników kolorymetrycznych w każdej rundzie niepoczątkowej należy obserwować, czy te formuły czujników kolorymetrycznych wykazują wysokie oczekiwania, czy dużą niepewność. Jeśli nie, powtórz operację z kroku 2.1.3. Jeśli tak, wykonaj krok kompilacji.
  2. Budowa: Automatyczna synteza czujników kolorymetrycznych. Zobacz szczegóły w krokach 1.7-1.10.
  3. Test: Pozwól na kontynuowanie automatycznego testowania czujników kolorymetrycznych. Zobacz szczegóły w krokach 1.11-1.13.
  4. Dowiedz się: Model Fit Surrogate
    1. Użyj zmiennych receptury czujnika kolorymetrycznego i ich ważonych wyników oceny jako odpowiednio danych wejściowych i wyjściowych modelu zastępczego.
    2. Użyj regresji procesu Gaussa z funkcją średnią dla k(xi, xj) i funkcją kowariancji (jądro) k(xi, xj), aby dopasować model zastępczy.
      UWAGA: Rysunek 6 przedstawia model zastępczy dla zmiennych jedno- i dwuwymiarowych. W opracowanym algorytmie dopasowania procesu Gaussa anizotropowe jądro Matérn w połączeniu z jądrem białego szumu (patrz poniższe dwa równania, Eq (7) i Eq (8)) jest wybierane w celu zapewnienia ogólności funkcji jądra.
      figure-protocol-9 (7)
      figure-protocol-10 (8)
  5. Kryteria zakończenia optymalizacji: Należy pamiętać, że optymalizacja DBTL zatrzymuje się, gdy liczba iteracji osiągnie ustaloną wartość lub gdy nie ma znaczącej poprawy w ważonych wynikach wygenerowanych czujników kolorymetrycznych.

3. Budowa i charakterystyka optymalnego zestawu czujników kolorymetrycznych

  1. Dla sześciu przedziałów stężeń gazu docelowego przeprowadź n kampanii optymalizacyjnych DBTL, aby odkryć sześć globalnie optymalnych lub quasi-optymalnych formuł czujników kolorymetrycznych. W każdym przedziale stężeń zoptymalizowana formuła czujnika kolorymetrycznego wykazuje najwyższy ważony wynik oceny w badaniu gazu docelowego.
  2. Wykorzystaj manipulator do obsługi cieczy, aby skonstruować w przybliżeniu matryce czujników kolorymetrycznych składające się z sześciu zoptymalizowanych formuł czujników kolorymetrycznych. Kroki 1.7-1.10 szczegółowo opisują konkretną operację przy użyciu manipulatora cieczy.
  3. Testowanie trwałości:
    1. Skonstruuj 14 matryc czujników kolorymetrycznych i podziel je na dwie grupy. Przechowywać jedną grupę w stanie otwartym w temperaturze 25 °C, a drugą w próżni.
    2. Utrzymuj spójne warunki testowania i wykonuj codzienne testy odpowiedzi przez okres 7 dni, aby ocenić wpływ dwóch warunków przechowywania na wydajność matrycy czujników kolorymetrycznych, wnioskując w ten sposób o okresie trwałości w ramach obu strategii przechowywania.

4. Kalibracja matrycy czujników kolorymetrycznych

  1. Aby uzyskać informacje na temat konstrukcji matrycy czujników kolorymetrycznych, zobacz szczegóły w krokach 3.1-3.2.
  2. Próbkowanie danych:
    1. Wybierz 5-10 wartości stężeń w równych odstępach czasu dla każdego zakresu stężeń gazu docelowego, w sumie nie mniej niż 20 różnych stężeń.
    2. Wystawić matrycę czujników kolorymetrycznych na działanie gazu docelowego zgodnie z wartością stężenia w porządku rosnącym lub malejącym i zapisać wartości odpowiedzi matrycy czujników kolorymetrycznych.
      UWAGA: Na każde stężenie CO2 przypada od pięciu do 10 cykli CO2 / N2 .
  3. Rejestracja danych czujników: Po wystawieniu na działanie gazu docelowego w różnych stężeniach przez 5 lub 10 minut, wyodrębnij wartości kanałów R, G i B n czujników kolorymetrycznych z matrycy czujników kolorymetrycznych jako cechy, które zostaną wprowadzone do modelu kalibracyjnego. Wektor cech zawiera od 3 × n wymiarów.
  4. Podział zbioru danych: Na podstawie liczby stężeń gazu docelowego podziel dane odpowiedzi przy różnych stężeniach na zestaw treningowy, zestaw walidacyjny i zestaw testowy w stosunku 7:1,5:1,5.
  5. Trenowanie modelu: Najpierw użyj pakietów języka Python, takich jak scikit-learn i torch, aby skonstruować cztery modele regresji uczenia maszynowego na potrzeby kalibracji: Ridge, Random Forest, Xgboost i Deep Neural Network. Następnie ustaw błąd średniej kwadratowej jako funkcję straty. Na koniec załaduj zestaw danych i rozpocznij trenowanie modelu kalibracji.
  6. Wybór modelu: Sprawdź poprawność wydajności czterech modeli regresji uczenia maszynowego przy użyciu zestawu walidacji i wybierz model z najmniejszym błędem średniokwadratowym jako ostateczny model kalibracji.
  7. Testowanie modelu: Użyj zestawu testowego, aby przeprowadzić test wydajności końcowego modelu kalibracyjnego, oceniając wydajność matrycy czujników kolorymetrycznych i modelu kalibracyjnego do analizy ilościowej gazu docelowego.

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

Wyniki

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

Typowym przykładem tej eksperymentalnej konfiguracji jest "Szerokozakresowa matryca kolorymetryczna CO2 o wysokiej czułości"12. Po pierwsze, eksperyment generuje wykres oparty na zmianie ΔE w czasie przy stałym stężeniu CO2 po bayesowskiej optymalizacji wieloobiektywowej (Rysunek 7A). Na podstawie słabego czasu odpowiedzi, ΔE i odwracalności, niepotrzebne 1 (powolny czas reakcji), niepotrzebne 2 (brak odpowiedzi) i niepotrzebne 3 (dryfowanie linii bazowej)...

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

Dyskusja

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

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

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

Autorzy nie mają do zadeklarowania konfliktu interesów.

Podziękowania

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

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

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

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

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Robotic Experimental ProcedureDBTL MethodAutomated OptimizationMulti Objective OptimizationMachine Learning AlgorithmsRecipe OptimizationPerformance EvaluationIterative ExperimentationGas Sensor Development
Film wkrótce dostępny

Powiązane artykuły