Tăng cường nhận dạng hỗn hợp khí VOCs bằng mảng cảm biến và mạng nơ-ron SSA-BP
DOI:
https://doi.org/10.54939/1859-1043.j.mst.208.2025.105-112Từ khóa:
Nhận dạng khí; Hỗn hợp khí; Mảng cảm biến; Mạng nơ-ron.Tóm tắt
Việc nhận dạng chính xác các khí VOCs trong hỗn hợp là hết sức cần thiết nhằm giám sát các loại khí độc hại và dễ cháy nổ, phục vụ cho các ứng dụng trong công nghiệp, môi trường, cũng như trong quân sự và quốc phòng. Nghiên cứu này đề xuất mạng nơ-ron SSA-BP kết hợp với mảng cảm biến nano-SnO₂ dựa trên công nghệ MEMS nhằm nâng cao hiệu quả phát hiện khí. Các cảm biến nano-SnO₂ mang lại độ nhạy cao, trong khi mạng SSA-BP tối ưu hóa quá trình xử lý dữ liệu nhờ lọc nhiễu, trích rút đặc trưng và mô hình học mạnh mẽ với dữ liệu phi tuyến. Hệ thống đạt độ chính xác phân loại tới 99% với các hỗn hợp acetone, ethanol và methanol, cùng hệ số R² là 0,95 trong dự đoán nồng độ. Ngoài ra, số lượng cảm biến có thể được tối giản mà vẫn duy trì hiệu năng. Sự tích hợp này cho thấy tiềm năng lớn trong các ứng dụng giám sát khí theo thời gian thực, phát hiện VOCs trên thiết bị di động và các ứng dụng an toàn.
Tài liệu tham khảo
[1]. P. Wei, L. Luling, L. Peitao, “Detection and treatment of VOC in the food industry”, International Journal of Agriculture and Food Sciences Research, Vol. 1, pp. 115–123, (2024).
[2]. L. Kyle, N. Kumar, “Pulmonary health effects of indoor volatile organic compounds: A meta-analysis”, International Journal of Environmental Research and Public Health, Vol. 18, p. 1578, (2021).
[3]. H. Nazemi, A. Joseph, J. Park, A. Emadi, “Advanced micro- and nano-gas sensor technology: A review”, Sensors (Switzerland), Vol. 19, No. 6, (2019).
[4]. G. F. Fine, L. M. Cavanagh, A. Afonja, R. Binions, “Metal oxide semiconductor gas sensors in environmental monitoring”, Sensors, Vol. 10, pp. 5469–5502, (2010).
[5]. N. Barsan, D. Koziej, U. Weimar, “Metal oxide-based gas sensor research: How to?”, Sensors and Actuators B: Chemical, Vol. 121, pp. 18–35, (2007).
[6]. P. Pławiak et al., “A new deep genetic hierarchical network of learners for prediction of credit scoring”, Information Sciences, Vol. 516, pp. 401–418, (2020).
[7]. X. Zhao, Z. Wen, X. Pan, W. Ye, A. Bermak, “Mixture gases classification based on multi-label one-dimensional deep convolutional neural network”, IEEE Access, Vol. 7, pp. 12630–12637, (2019).
[8]. V. Pareek, S. Chaudhury, S. Singh, “Online pattern recognition of time-series gas sensor data with adaptive 2D-CNN ensemble”, Proceedings of IDAACS, Vol. 2, pp. 679–683, (2021).
[9]. T. Wang et al., “Target discrimination, concentration prediction, and status judgment of electronic nose system based on large-scale measurement and multi-task deep learning”, Sensors and Actuators B: Chemical, Vol. 351, (2022).
[10]. N. Van Duy et al., “Design and fabrication of effective gradient temperature sensor array based on bilayer SnO₂/Pt for gas classification”, Sensors and Actuators B: Chemical, Vol. 351, p. 130979, (2022).
[11]. S. Mirjalili, A. H. Gandomi, S. Z. Mirjalili, S. Saremi, H. Faris, S. M. Mirjalili, “Salp swarm algorithm: A bio-inspired optimizer for engineering design problems”, Advances in Engineering Software, Vol. 114, p. 163, (2017).
[12]. B. Zhang, X. Tao, H. Zhang, J. Yu, “Study of an SSA-BP neural network-based strength prediction model for slag–cement-stabilized soil”, Materials, Vol. 18, No. 15, p. 3520, (2025).
