Высокоточная идентификация нескольких газов в реальном времени с помощью однородной от партии к партии матрицы газовых сенсоров и алгоритма глубокого обучения

Полупроводниковые газовые сенсоры на основе оксидов металлов (SMO) привлекают большое внимание как сенсоры нового поколения для экологического мониторинга. Однако их практическое применение ограничено низкой селективностью. Электронные носы на основе матриц сенсоров рассматриваются как решение проблемы селективности, но низкая точность из-за неоднородности изготовленных газовых сенсоров и сложности обнаружения газов в реальном времени остаются нерешёнными задачами. В настоящем исследовании эти проблемы были решены за счёт изготовления однородных матриц газовых сенсоров и применения алгоритма глубокого обучения к данным, полученным с матриц сенсоров. В качестве чувствительных материалов использовали наноколонковые плёнки оксидов металлов (SnO₂, In₂O₃, WO₃ и CuO), осаждённые методом осаждения под наклонным углом и характеризующиеся высокой однородностью от партии к партии. В качестве алгоритма обучения применяли свёрточную нейронную сеть (CNN), на вход которой подавали данные в матричной форме, что позволяло распознавать характер ответов сенсоров. В результате при подаче на CNN предварительно обработанных данных была достигнута селективная детекция газов CO, NH₃, NO₂, CH₄ и ацетона (C₃H₆O) в реальном времени с точностью 98%; минимальное время отклика составило соответственно 1, 8, 5, 19 и 2 с.