Синтез и параметризация моделей газочувствительных датчиков

Цель работы: поиск и анализ существующих моделей газочувствительных датчиков. Разработка математических моделей газочувствительных датчиков различных типов (полупроводниковых, термокаталитических, оптических, электрохимических) для последующего их использования в процессе обучения искусственных нейронных сетей (ИНС). Исследование основных физико-химических закономерностей, лежащих в основе принципов работы датчиков, учет влияния факторов окружающей среды и перекрестной чувствительности на выходной сигнала датчиков. Сопоставление результатов моделирования с реальными характеристиками выпускаемых промышленностью датчиков. Рассматривается концепция создания математических моделей, проводится их параметризация, исследование и оценка адекватности.

Методы. При создании математических моделей использовались численные методы, методы компьютерного моделирования, теория электрических цепей, теория хемосорбции и гетерогенного катализа, уравнения Фрейндлиха и Ленгмюра, закон Бугера-Ламберта-Бера, основы электрохимии. Для оценки адекватности моделей рассчитывалось среднеквадратическое отклонение (СКО) и относительная погрешность.

Результаты. Описана концепция создания математических моделей датчиков на основе физико-химических закономерностей, позволяющих автоматизировать процесс генерации данных для обучения искусственных нейронных сетей, применяемых в многокомпонентных газоанализаторах с целью совместной обработки информации. Получены и модернизированы модели полупроводникового, термокаталитического, оптического и электрохимических датчиков, учитывающие влияние дополнительных факторов на сигнал датчиков. Проведена параметризация и оценка адекватности и экстраполяционных свойств моделей по графическим зависимостям, представленным в технической документации датчиков. Определены погрешности (относительная и среднеквадратическая) расхождения реальных данных и результатов моделирования газочувствительных датчиков по основным параметрам. Среднеквадратическая погрешность воспроизведения основных характеристик датчиков не превысила 0,5%.

Заключение. Синтезированы многопараметрические математические модели газочувствительных датчиков, учитывающие влияние основного газа и внешних факторов (давление, температуру, влажность, перекрестную чувствительность) на выходной сигнал и позволяющие генерировать обучающие данные для датчиков различных типов.

1. Брокарев И.А. Искусственные нейронные сети для решения задачи анализа компонентного состава газовых смесей // Управление большими системами. Вып. 80. М.: ИПУ РАН, 2019. С.98-115.

2. Бондарь О.Г., Брежнева Е.О., Чернышов Р.Е. Применение нейронных сетей в задаче количественного анализа состава воздушной среды // Известия Юго-Западного государственного университета. 2020; 24(1): 159-174. https://doi.org/10.21869/2223-1560-2020-24-1-15-174.

3. Томакова Р.А., Филист С.А., Яа З.До. Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. № 4-2 (43). С. 44-50.

4. Контроль качества продуктов с помощью искусственного обоняния / А.В. Шапошник, К.К Полянский., Н.С. Демочко, А.Н. Пономарев // Молочная промышленность. 2005. № 8. С. 5354.

5. Pouter J. Smartphone ownership and internet usage continues to climb in emerging economies. Washington, DC, USA: Pew Research Center, 2016. 44 p.

6. Chansin G., Pugh D. Environmental gas sensors 2017¬2027. Cambridge, UK: CISION, 2017. 166 p.

7. Варежников А.С., Сысоев В.В. Обработка векторных сигналов газоаналитического мультисенсорного преобразователя // Проблемы управления, обработки и передачи информации: сборник трудов V Международной юбилейной научной конференции. Саратов, 2017. С. 287-291.

8. Крылов О.В. Гетерогенный катализ. М.: Академкнига, 2004. 679 с.

9. Гаев А.В., Роготовский А.Д., Ланцберг А.В. Классификация физических объектов при помощи сверточных нейронных сетей на примере задачи распознавания газов // Технологии инженерных и информационных систем. 2019. № 1. С. 95-104.

10. Borrego C., Costa A. M., Ginja J. [et al.]. Assessment of air quality microsensors versus reference methods: The EuNetAir joint exercise // Atmospheric Environment. 2016. Vol. 147. P. 246-263.

11. Исследование отклика тонкопленочного сенсора на основе оксида олова в импульсном режиме для различных газов / О.В. Анисимов, Н.К. Максимова, Е.Ю. Севастьянов, Е.В. Черников // Известия вузов. Физика. 2006. № 3. С. 186¬187.

12. Чувствительность полупроводниковых газовых сенсоров к водороду и кислороду в инертной газовой среде / В. В. Малышев, А. В. Писляков, И. Ф. Крестников, В. А. Крутов, С. Н. Зайцев // ЖАХ. 2001. № 9. С. 976-983.

13. Guseva A.I., Malykhina G.F., Nevelskiy A.S. Neural Network Based Algorithm for the Measurements of Fire Factors Processing // Stud. Comput. Intell. 2019. Vol. 799. P. 160–166.

14. Metal Oxide Semi-Conductor Gas Sensors in Environmental Monitoring / F. George., L. M. Cavanagh, A. Afonja, R. Binions // Sensors. 2010. Р. 5469-5502

15. Pour M. M., Lashkov A., Radocea A. [et al.] Laterally extended atomically precise graphene nanoribbons with improved electrical conductivity for efficient gas sensing // Nature Communications. 2017. Vol. 8. P. 820.

16. Toward new gas-analytical multisensor chips based on titanium oxide nanotube array / F. Fedorov, M. Vasilkov, A. Lashkov [et al.] // Scientific Reports. 2017. Vol. 7. P. 9732.

17. Использование нейросетевой модели обработки данных в системах обнаружения пожаров для определения места возгорания / А.И. Гусева, Г.Ф. Малыхина, В.Н. Круглеевский, С.Н. Турусов // Морские интеллектуальные технологии. 2019. T. 2. № 2. С. 93–102.

18. Bˆarsan N., Weimar U. Understanding the fundamental principles of metal oxide based gas sensors; the example of CO sensing with SnO2 sensors in the presence of humidity // J. Phys.: Condens. Matter 2003. 15. Р. 813–839.

19. Malykhina G., Guseva A., Militsyn A. Spatial-temporal digital twin models as a direction for the development of cross-cutting digital technologies // Proceedings of the International Scientific-Practical Conference “Business Cooperation as a Resource of Sustainable Economic Development and Investment Attraction” (ISPCBC 2019). Paris, France: Atlantis Press, 2019. 729 p.

20. Влияние влажности на свойства сенсоров водорода на основе тонких пленок Pt/SnO2:Sb в режимах постоянного и импульсного нагрева / О.В. Анисимов, В.И. Гаман, Н.К. Максимова, Е.Ю. Севастьянов, Е.В. Черников, Н. В. Сергейчено // Материалы девятой конференции “Арсенид галлия и полупроводниковые соединения группы IIIV”. Томск, 2006. С. 504-507.

21. Macias M. M. Gas sensor measurements during the initial action period of duty¬cycling for power saving // Sensors and Actuators B. 2017. Vol. 239. P. 1003-1009.

22. Environmental Influences on SMO Sensors’ Performance / G. Jian-Wei, Q. Chen, M. Lian, N. Liu // Sensors & Transducers Magazine (S&T e-Digest). 2005. Vol.54. Is. 4. Р.310-319.

23. Malykhina G., Guseva A. Application the Evolutional Modeling to the Problem of-Searching the Optimal Sensors Location of Fire-Fighting System // Convergent Cognitive Information Technologies; ed. by Sukhomlin V., Zubareva E. Cham: Springer International Publishing, 2020. С. 187–199.

24. Malyshev V. V., Pislyakov A. V. Investigation of gas-sensitivity of sensor structures to carbon monoxide in a wide range of temperature, concentration and humidity of gas medium // Sens. Actuators. 2007. B. 123. Р. 71-81.

25. Effect of Environmental Temperature and Humidity on Different Metal Oxide Gas Sensors at Various Gas Concentration Levels / Abdulnasser Nabil Abdullah, Kamarulzaman Kamarudin, Syed Muhammad Mamduh, Abdul Hamid Adom, Zaffry Hadi Mohd Juffry// 2nd Joint Conference on Green Engineering Technology & Applied Computing 2020 IOP Conf. Series: Materials Science and Engineering. 2020. P. 1-8.

26. Ronald A. J. Furnace combustion sensor test results // The United States Consumer Product Safety Commission, Washington D.C. 20207 September. 2001. P. 1-36

27. Application of a catalytic combustion sensor (Pellistor) for the monitoring of the explosiveness of a hydrogen–air mixture in the upper explosive limit range / M. Krawczyk,J. Namiesnik // Journal of Automated Methods & Management in Chemistry. 2003. Vol. 25, No. 5. Р. 115–122

28. Дрейзин В.Э., Брежнева Е.О., Бондарь О. Г. Моделирование каталитического датчика водорода // Известия Юго-Западного государственного университета. 2011. Ч. 1. № 5(38). С. 69-76.

29. Дытнерский Ю.И. Процессы и аппараты химической технологии. В 2 ч. Ч.2. Массообменные процессы. М.: Химия, 1995. 368 с.

30. Подтелкина О.А. Моделирование оптического сенсора // Фундаментальные и прикладные исследования: от теории к практике: материалы II международной научно-практической конференции, приуроченной ко Дню российской науки. Казань, 2018. С. 180-188.