用Pd修改的微针阵列传感器集成与深度学习,以实时预测气凝特性
Hyun-Su Park1, In Woo Park1, Dowoo Kim1
1Department of Materials Science and Engineering, Yonsei University, Seoul 03722, Republic of Korea.
ACS applied materials & interfaces
|February 28, 2025
概括
这项研究使用电化学阻抗数据和深度学习预测了气凝的性能. 实时预测可以提高生产效率和监控.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 人工智能的人工智能
背景情况:
- 气凝是一种具有优良性能的轻质绝缘体,但其生产受到长期老化过程的阻碍.
- 在合成过程中实时预测材料特性可以优化制造.
- 目前用于材料性质预测的人工智能方法主要使用石化测量或结构数据.
研究的目的:
- 开发一个用于实时预测气凝物理性质的系统 (孔径,孔积,表面积).
- 使用在处理过程中获得的电化学阻抗数据,频率和时间参数.
- 为了使气凝生产的过程优化和监测.
主要方法:
- 使用3x3阵列Pd/Au传感器在气凝合成过程中收集实时电化学阻抗,频率和时间数据.
- 传感器系统在合成过程中对pH值变化的高度敏感.
- 一个深度神经网络算法处理了收集的数据用于财产预测.
主要成果:
- 开发的系统准确地预测了气凝的实时性能.
- 该系统在属性预测中实现了大约0.9%的平均绝对百分比误差.
- 在气凝特性的真实值和预测值之间观察到最优的对齐.
结论:
- 使用电化学阻抗数据对气凝特性进行实时预测是可行的.
- 这种人工智能驱动的方法显著提高了气凝生产过程的流程优化和监控.
- 该方法有望提高气凝制造的效率和有效性.
更多相关视频
11:13Creating Sub-50 Nm Nanofluidic Junctions in PDMS Microfluidic Chip via Self-Assembly Process of Colloidal Particles
Published on: March 13, 2016
10.6K
05:49Mechano-Node-Pore Sensing: A Rapid, Label-Free Platform for Multi-Parameter Single-Cell Viscoelastic Measurements
Published on: December 2, 2022
2.6K
