الإجراء التجريبي القائم على الروبوت لتطوير استشعار الغاز اللوني

Zechen Li; Siyuan Xu; Mengyang Cui; Jie Deng; Jing Jiang; Yijian Shi

doi:10.3791/67940

A subscription to JoVE is required to view this content. Sign in or start your free trial.

Summary

هنا ، نقدم بروتوكولا لتطوير مستشعرات الغاز اللونية باستخدام نهج التصميم والبناء والاختبار والتعلم القائم على الروبوتات (DBTL). يدمج هذا البروتوكول الأتمتة عالية الإنتاجية والتعلم الآلي والتحسين متعدد الأهداف لاكتشاف تركيبات المستشعرات وتحسينها بكفاءة للكشف عن الغازات مثل ثاني أكسيد الكربون₂ ، مما يتيح تطويرا سريعا وفعالا من حيث التكلفة ودقيقا لأجهزة الاستشعار.

Abstract

تقدم هذه الورقة برنامجا تجريبيا قائما على الروبوت يهدف إلى تطوير مستشعر غاز لوني فعال وسريع. يستخدم البرنامج نهج التعلم الآلي للتصميم والبناء والاختبار (DBTL) ، والذي يحسن عملية البحث بشكل متكرر مع تحسين وصفات متعددة لفترات تركيز مختلفة للغاز. في كل تكرار ، تنشئ الخوارزمية مجموعة من اقتراحات الوصفات بناء على وظائف الاستحواذ المختلفة ، ومع زيادة عدد التكرارات ، تتحسن قيم دالة الهدف المرجح لكل فاصل تركيز بشكل كبير.

تبدأ طريقة DBTL بتهيئة المعلمة، وإعداد بيئة الأجهزة والبرامج. تحدد الاختبارات الأساسية معايير الأداء. بعد ذلك ، تصمم طريقة DBTL الجولة التالية من التحسين بناء على نسبة الوصفات في كل جولة وتختبر الأداء بشكل متكرر. يقارن تقييم الأداء بيانات خط الأساس لتقييم فعالية طريقة DBTL. إذا لم يفي تحسين الأداء بالتوقعات ، تنفيذ الطريقة بشكل متكرر ؛ إذا تم تحقيق الأهداف ، تختتم التجربة. تعمل العملية برمتها على زيادة أداء النظام إلى أقصى حد من خلال عملية التحسين التكراري DBTL.

بالمقارنة مع عملية التطوير اليدوي التقليدية ، تستخدم طريقة DBTL التي اعتمدتها هذه العملية التجريبية تحسينا متعدد الأهداف وخوارزميات التعلم الآلي المختلفة. بعد تحديد الحدود العليا والدنيا لحجم المكون ، تعمل طريقة DBTL على تحسين التجارب التكرارية ديناميكيا للحصول على النسبة المثلى بأفضل أداء. تعمل هذه الطريقة على تحسين الكفاءة بشكل كبير ، وتقليل التكاليف ، وتعمل بشكل أكثر كفاءة ضمن المساحة المتغيرة متعددة التركيبات عند العثور على الوصفة المثلى.

Introduction

التطبيقات العملية لأجهزة استشعار الغاز واسعة النطاق وقد تم استخدامها في مجالات مختلفة مثل المراقبة البيئية والفضاء ومعالجة غاز النفايات¹^،²^،³. يعتمد مبدأ عمل مستشعرات الغاز عادة على آليات متعددة ، مثل الكيمياء الكهربائية وكروماتوغرافيا الغاز والبصرية. من بين العديد من آليات الكشف ، تطورت آلية تعتمد على تغيير اللون إلى آلية حمضية القاعدية تبرز بشكل فريد. نظرا لتكلفتها المنخفضة وتطبيقها البسيط ، فهي تستخدم على نطاق واسع في تصميم العديد من مستشعرات الغاز المحمولة والتستخدم لمرة واحدة ، مثل مستشعرات ثاني أكسيد الكربون^{2 1}^،⁴^،⁵. يستخدم هذا النوع من المستشعرات تغيير لون بعض المواد الكيميائية للكشف عن تركيزات الغاز. عندما يتغير تركيز الغاز ، فإنه يتسبب في تعرض مادة المستشعر لتفاعلات كيميائية مثل التعقيد الأيوني أو تغيرات لون المؤشر ، مما يؤدي إلى تغيير لون الصبغة الحساسة للغاز⁶. من خلال اكتشاف وتحليل التغيرات في اللون ، يمكن قياس تركيز الغاز بشكل غير مباشر. وفي الوقت نفسه ، على الرغم من مزايا التكلفة المنخفضة وقابلية النقل ، لا يزال هذا النوع من أجهزة الاستشعار يعاني من بعض أوجه القصور ، مثل دورة التطوير الطويلة والكفاءة المنخفضة⁷^،⁸^،⁹. في الوقت نفسه ، تكافح الطرق التقليدية لتصميم المستشعر لتلبية خصائص الاستشعار المتعددة في وقت واحد ، مثل تحقيق وقت الاستجابة المطلوب ، وقابلية الانعكاس ، وحد الكشف. في ظل نموذج البحث والتطوير التقليدي ، تعيق هذه الصعوبات بشدة إنتاج أجهزة استشعار الغاز اللونية وتطبيقها على نطاق واسع.

استجابة للتحديات المذكورة أعلاه في البحث والتطوير عند الطلب ، يمكن لتقنية الاستشعار اللوني التي تم تطويرها من خلال هذه العملية التجريبية أن تعالج بعض أوجه القصور في استشعار الغاز التقليدي. من خلال استخدام نهج التصميم والبناء والاختبار التكراري (DBTL)¹⁰^،¹¹ ، يمكن تحسين كفاءة تطوير المستشعر بشكل كبير ، وبالتالي تقليل وقت البحث والتطوير وتلبية احتياجات البحث والتطوير بشكل فعال¹^،¹². في إعداد تطوير DBTL النموذجي ، يتم أخذ تطوير مواد جديدة كحلقة تغذية مرتدة تكرارية. تحتوي الحلقة على أربع خطوات رئيسية: 1. تصميم معلمات التحسين والأهداف وعينة من مساحة المعلمة لتجربة تجريبية ؛ 2. بناء عينات من المعلمات المحددة ؛ 3. اختبار القيمة المستهدفة للعينات المبنية ؛ 4. تحليل التعلم الآلي للتعليقات المستهدفة لتوجيه اختيار معلمات الدفعة التالية. في هذه العملية التكرارية ، تعد منصة التجربة عالية الإنتاجية التي تسمح ببناء العينات واختبارها بسرعة ، وخوارزميات التعلم الآلي هي المكونات الرئيسية. يمكن لمنصة الاختبار الآلية عالية الإنتاجية اختبار ما يصل إلى 384 وحدة استشعار في وقت واحد ، وجمع كمية كبيرة من بيانات الاستجابة عالية الجودة. من خلال استخدام خوارزميات التعلم الآلي¹³^،¹⁴^،¹⁵^،¹⁶^،¹⁷ ، مثل تحسين بايز متعدد الأهداف ، يمكن تحسين مقاييس الاستشعار المتعددة لوحدات الاستشعار (على سبيل المثال ، الحساسية ووقت الاستجابة وقابلية الانعكاس) في وقت واحد وتلقائيا ، وبالتالي تحسين الأداء العام لخصائص الاستشعار المختلفة. يمكن لوصفات وحدة الاستشعار التي تم إنشاؤها بواسطة خوارزمية التحسين تحقيق اكتشاف كمي لتركيز ثاني أكسيد الكربون₂ دون معايرة فردية ، ويمكن لمقياس جذر متوسط الخطأ التربيعي (RMSE) أيضا تلبية المؤشرات المطلوبة.

برنامجنا عبارة عن إجراء تجريبي تم تطويره بناء على استشعار الغاز اللوني (انظر الشكل 1 للحصول على المخطط الانسيابي). مع تطوير المختبرات ذاتية القيادة ، أظهر نهج DBTL الآلي آفاقا ممتازة نظرا لكفاءته العالية وسرعته وقابليته للتكرار⁵^،¹². تتضمن عملية التطوير اليدوي التقليدية تعديل متغير واحد في كل مرةتتضمن عملية التطوير اليدوي التقليدية تعديل متغير واحد في كل مرة ، متبوعا بتعديل متغير آخر لتحسين المعلمة المستهدفة وتحقيق النتيجة المرجوة. تشمل العيوب الأساسية لهذه العملية الكفاءة المنخفضة في التجارب اليدوية ، والقابلية للخطأ البشري ، وصعوبة إدارة المتغيرات متعددة الأبعاد في السيناريوهات المعقدة عالية الأبعاد ، والميل إلى التعثر في الأمثل المحلي. بالمقارنة مع عملية التطوير اليدوي ، تستخدم طريقة DBTL المعتمدة في هذا البرنامج التجريبي الروبوتات جنبا إلى جنب مع خوارزميات التعلم النشط المتقدمة مثل تحسين بايز متعدد الأهداف. التحسين البايزي هو نهج احتمالي لتحسين الوظائف الموضوعية المكلفة للتقييم¹⁵^،¹⁸. إنه يبني نموذجا بديلا ، غالبا ما يكون عملية غاوسية ، لتقريب الوظيفة الموضوعية ويستخدم وظيفة اكتساب لتحديد النقطة التالية لأخذ عينة. توازن وظيفة الاستحواذ بين الاستكشاف (البحث في المناطق الأقل أخذ عينات) والاستغلال (تحسين المناطق المعروفة عالية الأداء) للعثور بكفاءة على الحد الأقصى أو الحد الأدنى العالمي. هذه الطريقة مفيدة بشكل خاص في مساحات البحث عالية الأبعاد وغير المحدبة حيث تكافح تقنيات التحسين التقليدية. بعد التحديد التقريبي للحدود العليا والسفلية لمحتوى المكونات ، فإنه يحسن التجارب ديناميكيا للحصول على النسبة المثلى مع أفضل أداء بشكل متكرر. تعمل هذه الطريقة على تحسين الكفاءة بشكل كبير وتقليل التكاليف وتؤدي بشكل أكثر كفاءة داخل المساحة متعددة المتغيرات لتطوير الوصفة المثلى⁵^،¹².

الهدف العام من هذه المقالة هو إنشاء إجراء تجريبي يعتمد على طريقة DBTL الآلية من خلال تقنيات الكمبيوتر المختلفة مثل التعلم الآلي ، وتحسين Bayesian متعدد الكائنات ، ومنصات الاختبار التجريبية ، بما في ذلك منصة معالجة السوائل الآلية ومنصة اختبار الغاز عالية الإنتاجية. سيمكن ذلك من تصميم والبحث عن مستشعرات الغاز اللونية. يتم استخدام منصة روبوت معالجة السوائل "Opentrons OT-2" المخصصة لإكمال التجارب وفقا لإعدادات البرنامج ، وتنفيذ خطوات تلقائيا مثل تركيب الوصفات والخلط والغمس. يتم استخدام منصة اختبار الغاز عالية الإنتاجية محلية الصنع لاختبار الغاز وقراءة المستشعرات اللونية بطريقة عالية الإنتاجية ، والتحكم بدقة في تركيزات الغازات المستهدفة وتسجيل تغيرات اللون لوحدات الاستشعار في الوقت الفعلي. بالمقارنة مع الأنظمة التجريبية الأخرى المصممة على أساس DBTL ، فإن هذا النظام لديه تكلفة منخفضة نسبيا للأجهزة. في الوقت نفسه ، عالجنا جزئيا جوانب المهمة التي تنطوي على خطأ بشري من خلال نهج شبه آلي. توفير أقصى فائدة هامشية مع الاحتفاظ بمزايا تصميم DBTL.

Protocol

1. التجربة التمهيدية (اختبار الجدوى)

ملاحظة: استنادا إلى ورقة Zhang⁸ ، يمكن تحديد المتغيرات ذات الصلة بأجهزة الاستشعار اللونية الكيميائية للغاز المستهدف ، مثل ثاني أكسيد الكربون. قبل إجراء التحسين عند الطلب لتركيبات المستشعر اللوني ، يمكن إجراء تجربة أولية باستخدام الإجراءات التالية لإنشاء المساحة المتغيرة.

تحديد نطاق تركيز الغاز المستهدف وإنشاء تكوين اختبار الغاز.
ملاحظة: يزداد تركيز الغاز المستهدف داخل تكوين اختبار الغاز خطيا أو أسيا.
قبل وبعد تدفق كل تركيز من الغاز المستهدف ، قم بتطهير نظام الاختبار بالنيتروجين. حافظ على نسبة وقت تدفق النيتروجين إلى الغاز المستهدف عند 1: 1.
ملاحظة: إذا كان تركيز الغاز المستهدف <1 جزء في المليون ، فإن وقت التدفق هو ~ 10 دقائق ؛ إذا كان تركيز الغاز المستهدف ≥1 جزء في المليون ، فإن وقت التدفق هو ~ 5 دقائق.
تحضير محاليل المصدر للمتغيرات بتركيزات مناسبة للمحلول بناء على عوامل مثل التشبع واللزوجة.
ملاحظة: ينصح عموما بالحفاظ على أعلى تركيز ممكن للمحاليل المصدر.
اضبط الحجم الإجمالي لمحلول تركيبة مستشعر القياس اللوني على 400 ميكرولتر ؛ بعد ذلك ، قم بتعيين نطاق الحجم لكل حل مصدر للمتغيرات وفقا للأدبيات.
ملاحظة: تتراوح نطاقات الحجم لمحاليل مصدر الأصباغ بشكل عام بين 0 ميكرولتر و 200 ميكرولتر ، في حين أن نطاقات الحجم لمحاليل المصدر الأخرى تتراوح بشكل عام بين 0 ميكرولتر و 100 ميكرولتر. الفاصل الزمني لأخذ العينات من محلول المصدر هو ~ 25 ميكرولتر.
إنشاء دفعة من 96 تركيبة من خلال وظائف أخذ العينات العشوائية للتحقق من جدوى الكشف عن الغاز المستهدف باستخدام قياس الألوان الكيميائي.
قم بتحميل ملف صياغة مستشعر قياس الألوان ، وحل المصدر ، والنصائح ، ولوحة 96 بئرا ، وغشاء PTFE في معالج السائل ، وقم بإنشاء أرقام معلومات هوية مستقلة بالتتابع (الشكل 2).
اضبط معالج السائل على وضع المحاكاة لتقليد عملية تركيب تركيبات المستشعر اللوني ، مثل شفط السائل ، والتوزيع ، والاهتزاز ، والتنقيط (الشكل 3).
إذا لم تكن هناك أخطاء في حالة المحاكاة ، فاضبط معالج السائل على التجربة وابدأ في أتمتة توليف أجهزة الاستشعار اللونية.
ملاحظة: تم تطوير رمز أتمتة العملية بناء على حزمة البرامج مفتوحة المصدر "Opentrons". من المتوقع أن يستغرق تخليق أجهزة الاستشعار اللونية 3-6 ساعات.
ضع مستشعرات قياس الألوان في فرن على حرارة 40 درجة مئوية وسخنها لمدة 50 دقيقة.
ضع المستشعرات اللونية المجففة في غرفة الغاز وتحقق من توحيد الإضاءة في بيئة الاختبار وإغلاق غرفة الاختبار. بمجرد التأكد من عدم وجود مشاكل ، استخدم وحدات التحكم في التدفق الشامل (MFC) للتحكم تلقائيا في معدلات تدفق غاز التحليل (بتركيز c_a) والنيتروجين (التركيز c_n) ، وتنفيذ تكوين اختبار الغاز. لنفترض أن معدل تدفق الغاز الكلي هو S في الحجم / الدقيقة ، وتركيز المادة التحليلية المستهدفة هو c. معدلات تدفق الغاز التحليلي MFC والنيتروجين MFC في الحجم / الدقيقة هي
(1)
(2)
أثناء عملية التدفق ، ضع كاميرا فوق غرفة الغاز لالتقاط صورة كل 5 ثوان لتسجيل التغيرات اللونية لأجهزة الاستشعار اللونية (الشكل 4).
ملاحظة: من المتوقع أن يكتمل اختبار التدفق في حوالي ساعتين.
لاحظ أن الكمبيوتر يقوم بتحميل الصور الملتقطة بترتيب زمني ، ويستخرج قيم ألوان RGB من كل مستشعر لوني في كل صورة ، ثم يحسب الاختلافات بالنسبة للون الأساسي المقاس قبل التعرض للغاز المستهدف ، وبالتالي رسم رقم تباين اللون لأجهزة الاستشعار اللونية خلال وقت التدفق. تظهر صيغة حساب فرق اللون ΔE على أنها معادل (1):
(3)
لاحظ ما إذا كانت هناك مستشعرات لونية تظهر تغيرات كبيرة في اللون في الغاز المستهدف وما إذا كانت قيم تغير اللون تزداد بالتزامن مع زيادة تركيز الغاز المستهدف. إذا كان الأمر كذلك ، يتم التحقق من جدوى استخدام أجهزة الاستشعار اللونية الكيميائية للكشف عن الغاز المستهدف.
بناء على نتائج ما قبل التجربة ، اضبط الحدود العليا والدنيا لحلول المصدر للمتغيرات وقم بإزالة حلول المصدر التي لها تأثير ضئيل.

2. استخدم منصة تجريبية روبوتية لإجراء عملية التحسين التكرارية للتصميم والبناء والاختبار والتعلم (DBTL)

التصميم: قم بإعداد وظائف متعددة الأهداف وإنشاء تركيبات مستشعر لوني.
1. قم بإعداد وظيفة متعددة الأهداف لحساب درجة التقييم المرجح لأرقام متعددة من الجدارة لأجهزة الاستشعار اللونية (الشكل 5).
  ملاحظة: يمكن العثور على تفاصيل درجة التقييم المرجحة في المرجع¹.
2. إذا كان تحسين DBTL في الجولة الأولية، فقم بإنشاء 96 صيغة مستشعر ألوان أولية بشكل عشوائي وإنشاء معرف حملة لمهمة التحسين هذه.
3. إذا كان DBTL في الجولات الثانية أو اللاحقة ، فقم بتصميم الدفعة التالية المكونة من 96 تركيبة من أجهزة الاستشعار اللونية باستخدام وظائف اكتساب مختلفة (مثل حد الثقة العليا ، واحتمال التحسين ، والتحسين المتوقع). بالإضافة إلى ذلك ، قم بضبط المعلمات الفائقة لوظيفة الاستحواذ في كل جولة. بشكل عام ، κ كمعلمة فائقة ل UCB ، بقيمة لا تتجاوز 5 وتعمل كمعلمة فائقة ل EI و POI ، والتي تنخفض تدريجيا إلى ما يقرب من 0 مع زيادة تكرارات التحسين. توضح المعادلات الثلاث التالية (4) و (5) و (6) على التوالي وظائف الاكتساب ل UCB و EI و POI:
  (4)
  (5)
  (6)
  حيث μ (x) هو المتوسط ؛ σ (x) هو التباين. κ ، هي المعلمات التي توازن بين الاستكشاف والاستغلال ، والتي يتم التحكم فيها بواسطة جولة التكرار ومعدل الاضمحلال ؛ f (x) هي درجة التقييم المرجحة ؛ f_currentMax هي أعلى درجة تقييم مرجحة حاليا.
4. بعد إنشاء تركيبات مستشعر القياس اللوني في كل جولة غير أولية ، لاحظ ما إذا كانت تركيبات المستشعرات اللونية هذه تظهر توقعات عالية أو عدم يقين كبير. إذا لم يكن الأمر كذلك، كرر عملية الخطوة 2.1.3. إذا كان الأمر كذلك، فقم بتنفيذ خطوة الإنشاء.
بناء: تجميع المستشعرات اللونية تلقائيا. راجع التفاصيل في الخطوات 1.7-1.10.
الاختبار: دع الاختبار الآلي لأجهزة الاستشعار اللونية يمضي قدما. راجع التفاصيل في الخطوات 1.11-1.13.
تعلم: نموذج Fit Alternative
1. استخدم متغيرات صياغة المستشعر اللوني ودرجات التقييم المرجحة الخاصة بها كمدخلات ومخرجات للنموذج البديل ، على التوالي.
2. استخدم انحدار عملية Gaussian مع متوسط الدالة ل k (x_i ، x_j) ودالة التغاير (kernel) k (x_i ، x_j) لتناسب النموذج البديل.
  ملاحظة: يوضح الشكل 6 النموذج البديل للمتغيرات أحادية الأبعاد وثنائية الأبعاد. في خوارزمية تركيب العملية الغوسية المطورة ، يتم اختيار نواة Matérn متباينة الخواص جنبا إلى جنب مع نواة ضوضاء بيضاء (انظر المعادلتين التاليتين ، المعادلة (7) والمعادل (8)) لضمان عمومية وظيفة النواة.
  (7)
  (8)
معايير إنهاء التحسين: لاحظ أن تحسين DBTL يتوقف عندما يصل عدد التكرارات إلى قيمة محددة مسبقا، أو عندما لا يكون هناك تحسن كبير في الدرجات المرجحة لأجهزة الاستشعار اللونية التي تم إنشاؤها.

3. بناء وتوصيف مجموعة أجهزة الاستشعار اللونية المثلى

بالنسبة لفترات التركيز الستة للغاز المستهدف ، قم بتنفيذ حملات تحسين n DBTL لاكتشاف ست تركيبات مستشعرات لونية مثالية عالميا أو شبه مثالية. خلال كل فترة تركيز ، تظهر تركيبة المستشعر اللوني المحسنة أعلى درجة تقييم مرجحة في اختبار الغاز المستهدف.
استخدم معالج السوائل لبناء مصفوفات المستشعرات اللونية تقريبا المكونة من تركيبات المستشعرات اللونية الستة المحسنة. توضح الخطوات 1.7-1.10 بالتفصيل العملية المحددة باستخدام معالج السائل.
اختبار مدة الصلاحية:
1. قم ببناء 14 مجموعة من مصفوفات الاستشعار اللوني وقسمها إلى مجموعتين. قم بتخزين مجموعة واحدة في حالة مفتوحة عند 25 درجة مئوية والأخرى في فراغ.
2. حافظ على ظروف اختبار متسقة وقم بإجراء اختبارات استجابة يومية على مدار 7 أيام لتقييم تأثير شرطي التخزين على أداء مجموعة المستشعرات اللونية، وبالتالي استنتاج العمر الافتراضي في إطار كلتا استراتيجيتي التخزين.

4. معايرة مجموعة أجهزة الاستشعار اللونية

لإنشاء مصفوفة مستشعر اللون، راجع التفاصيل في الخطوات 3.1-3.2.
أخذ عينات البيانات:
1. حدد 5-10 قيم تركيز على فترات متساوية لكل نطاق تركيز للغاز المستهدف ، بإجمالي لا يقل عن 20 تركيزا مختلفا.
2. قم بتعريض مصفوفة المستشعرات اللونية للغاز المستهدف وفقا لقيمة التركيز بترتيب تصاعدي أو تنازلي وسجل قيم الاستجابة لمصفوفة المستشعر اللوني.
  ملاحظة: كانت هناك حاجة إلى خمس إلى 10 دورات من ثاني أكسيد الكربون₂ / نيتروجين₂ لكل تركيز_ثانيأكسيد الكربون.
استشعار تسجيل البيانات: بعد التعرض للغاز المستهدف بتركيزات مختلفة لمدة 5 أو 10 دقائق ، استخرج قيم قناة R و G و B من n مستشعرات لونية من مصفوفة المستشعرات اللونية كميزات لإدخالها في نموذج المعايرة. يحتوي متجه المعلم على 3 أبعاد × n.
تقسيم مجموعة البيانات: بناء على عدد تركيزات الغاز المستهدف ، قسم بيانات الاستجابة بتركيزات مختلفة إلى مجموعة التدريب ومجموعة التحقق من الصحة ومجموعة الاختبار بنسبة 7: 1.5: 1.5.
تدريب النموذج: أولا ، استخدم حزم Python ، مثل scikit-learn و torch ، لإنشاء أربعة نماذج انحدار للتعلم الآلي للمعايرة: Ridge و Random Forest و Xgboost و Deep Neural Network. ثم قم بتعيين جذر متوسط الخطأ التربيعي كدالة الخسارة. أخيرا ، قم بتحميل مجموعة البيانات وابدأ في تدريب نموذج المعايرة.
تحديد النموذج: تحقق من صحة أداء نماذج انحدار التعلم الآلي الأربعة باستخدام مجموعة التحقق من الصحة وحدد النموذج الذي يحتوي على أصغر جذر متوسط مربع خطأ كنموذج معايرة نهائي.
اختبار النموذج: استخدم مجموعة الاختبار لإجراء اختبار أداء على نموذج المعايرة النهائي ، وتقييم أداء مصفوفة المستشعرات اللونية ونموذج المعايرة للتحليل الكمي للغاز المستهدف.

النتائج

ومن الأمثلة النموذجية على هذا الإعداد التجريبي "مصفوفة مستشعر ثاني أكسيد الكربون 2 ذات الحساسية العالية واسعة النطاق"¹². أولا ، تنشئ التجربة مخططا يعتمد على التغيير في ΔE بمرور الوقت عند تركيز ثابت لثاني أكسيد_{الكربون 2} بعد التحسين متعدد الأهداف ال...

Discussion

تقترح هذه المقالة تصميما تجريبيا يمكنه تطوير مستشعرات الغاز اللونية بسرعة ودقة أكبر. يمكن استخدام هذه العملية التجريبية لتطوير مستشعرات لونية للغازات المختلفة ، مثل الرطوبة وثاني أكسيد الكربون₂ والأمونيا¹^،⁴^،⁵. م?...

Disclosures

ليس لدى المؤلفين أي تضارب في المصالح للإعلان عنه.

Acknowledgements

يتم دعم هذا العمل من قبل مؤسسة العلوم الطبيعية في مقاطعة تشجيانغ (LQ24F040006) وصندوق بدء التشغيل بجامعة شنتشن للتكنولوجيا المتقدمة.

Materials

Name	Company	Catalog Number	Comments
96-Well Deep Well Plate	NEST	NEST 2 mL 96-Well Deep Well Plate, V Bottom
96-Well PCR Plate	NEST	NEST 0.1 mL 96-Well PCR Plate
cresol red	sigma aldrich	1.05225	Dyes for colorimetric reagents
Ethyl cellulose	sigma aldrich	200689	Dyes for colorimetric reagents
Ethyl cellulose	Aladdin	E110670-100g	Additive
Industrial Camera	HKVision	MV-CS060-10UM/C-PRO	used for recording color changes
Liquid handler	Opentrons	OT2	liquid handler
Mass Flow Controller	ASERT	AST10-DLCMX-500C-042-A2B2-48VY	used in controlling analytes gas mixtures
m-cresol purple	sigma aldrich	1.05228	Dyes for colorimetric reagents
Opentrons OT-2 Tips	Opentrons	OT-2 Tips, 300µL
Opentrons OT-2 Tips	Opentrons	OT-2 Tips, 20µL
phenol red	sigma aldrich	1.07241	Dyes for colorimetric reagents
polyethylene glycol	sigma aldrich	P1458	Dyes for colorimetric reagents
PTFE film	Interstate Specialty Products	PM15M	PTFE mambrane
Tetrabutylammonium hydroxide	sigma aldrich	86854	Base for colorimetric reagents
thymol blue	sigma aldrich	1.08176	Dyes for colorimetric reagents

References

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).
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).
Li, Z., Askim, J. R., Suslick, K. S. The optoelectronic nose: Colorimetric and fluorometric sensor arrays. Chem Rev. 119 (1), 231-292 (2019).
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).
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).
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).
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).
Zhang, Y., Lim, L.-T. Colorimetric array indicator for NH3 and CO2 detection. Sensors and Actuators B: Chemical. 255, 3216-3226 (2018).
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).
Abolhasani, M., Kumacheva, E. The rise of self-driving labs in chemical and materials sciences. Nat Synth. 2 (6), 483-492 (2023).
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).
Chen, Y. et al. Robot-assisted optimized array design for accurate multi-component gas quantification. Chem Eng J. 496, 154225 (2024).
Antonova, R., Rai, A., Li, T., Kragic, D. Bayesian optimization in variational latent spaces with dynamic compression. (2019).
Balandat, M. et al. BoTorch: A framework for efficient Monte-Carlo Bayesian optimization. http://arxiv.org/abs/1910.06403 (2020).
Frazier, P. I. A tutorial on Bayesian optimization. (2018).
Zhang, L. et al. Navigating the complexity of hybrid materials without structural dependency: PerovGNN as a map. Acta Materialia. 281, 120437 (2024).
Wang, H. et al. Uplift modeling based on Graph Neural Network combined with causal knowledge. Proceedings - 2024 IEEE Conference on Artificial Intelligence, CAI 2024. 1487-1492 (2024).
Häse, F., Roch, L. M., Kreisbeck, C., Aspuru-Guzik, A. Phoenics: A Bayesian optimizer for chemistry. ACS Cent Sci. 4 (9), 1134-1145 (2018).
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).
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).
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).
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).
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).
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).
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).
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).
Xu, Q., Jiang, J. Recent development in machine learning of polymer membranes for liquid separation. Mol Syst Des Eng. 7 (8), 856-872 (2022).
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).
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).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Explore More Articles

DBTL

This article has been published

Video Coming Soon

Keep me updated: