Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  14,945,276

Khoa học kỹ thuật và công nghệ

BB

Nguyễn Ngọc Việt*, Ninh Thị Như Hoa, Phan Hồng Phước, Nguyễn Văn Hiếu; Phan Hồng Phước(1)

TĂNG CƯỜNG HIỆU QUẢ NHẬN DIỆN KHÍ ĐỘC SỬ DỤNG MỘT ĐA CẢM BIẾN MOS VÀ CÁC MÔ HÌNH HỌC MÁY

ENHANCING THE EFFECTIVENESS OF TOXIC GAS IDENTIFICATION USING A MOS MULTI-SENSOR AND MACHINE LEARNING MODELS

Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên

2024

02

124 - 130

Mũi điện tử được định nghĩa như một thiết bị thông minh trong nhận diện và phân tích khí. Mũi điện tử thường gồm hai phần chính là dãy đa cảm biến (khứu giác) và phần mềm xử lý thông minh (não bộ). Nghiên cứu này trình bày một thiết kế thiết bị đo khí sử dụng chíp đa cảm biến trên cơ sở vật liệu bán dẫn oxit kim loại (MOS). Các khảo sát đối với các khí độc hại NH3, CO, và NO2 tại một số nồng độ khác nhau đã được tiến hành. Dữ liệu đo đáp ứng khí cho thấy đa cảm biến sử dụng có ba vi cảm biến MOS có độ chọn lọc tốt với lần lượt từng khí đo. Kết quả này cũng chứng minh việc sử dụng một đa cảm biến sẽ cho phép nhận diện dễ dàng hơn các khí so với việc chỉ dùng một cảm biến riêng lẻ. Bên cạnh đó, một số mô hình học máy tiêu biểu của trí tuệ nhân tạo (AI) cũng đã được sử dụng để phân tích dữ liệu đáp ứng khí, gồm PCA, LDA, SVM, DT, và RF. Hiệu suất của các mô hình được đánh giá thông qua tỉ lệ nhận diện chính xác các mẫu khí. Kết quả chỉ ra rằng việc sử dụng các mô hình học máy đã tăng cường hiệu quả phân loại khí, đặc biệt là các mô hình DT và RF. Nghiên cứu có thể cung cấp các đóng góp giá trị cho việc thiết kế các mũi điện tử nhằm ứng dụng phân tích đa khí trong nhiều môi trường khác nhau.

An electronic nose is defined as a smart device for the detection and analysis of gases. It typically consists of two main components: an array of sensors (olfactory system) and an intelligent processing unit (brain). This study presents the design of a gas-sensing device utilizing a multi-sensor chip based on metal oxide semiconductors (MOS). Surveys measuring the response to various concentrations of harmful gases, such as NH3, CO, and NO2, were conducted. The measurement data indicate that the employed multi-sensor chip with three MOS sensors exhibits excellent selectivity for each gas. This outcome also demonstrates that using a sensor array allows for easier identification of gases compared to using a single sensor. Additionally, several typical machine learning models in artificial intelligence (AI), including PCA, LDA, SVM, DT, and RF, were employed to analyze gas response data. The performance of these models was evaluated based on the accuracy rate of gas sample identification. The results reveal that the utilization of machine learning models has enhanced the efficiency of gas classification, particularly with models such as DT and RF. This research may provide valuable contributions to the design of electronic noses for the analysis of multiple gases in various environmental settings.