基于光声谱和深度学习的微量气体传感器嵌套U型网络 (U-Net++)

科学领域:

• 分析化学 分析化学
• 频谱学是一种光谱学.
• 人工智能的人工智能

背景情况:

• 光声谱学 (PAS) 是一种敏感的气体检测技术.
• 传统的PAS系统面临着噪音和长期稳定的挑战.
• 优化声学共振器和采用先进的信号处理是提高PAS性能的关键.

研究的目的:

• 开发一种具有高灵敏度和稳定的新型微量气体传感器.
• 将滚子型声学共振器与U-Net++深度学习网络集成.
• 为各种应用增强甲 (CH4) 检测能力.

主要方法:

• 用有限元模拟来优化滚子型声学共振器,将信号放大率提高了21%.
• 一个嵌套的U形深度学习网络 (U-Net++) 用于动态光谱数据处理和噪声抑制.
• 进行了艾伦方差分析,以评估传感器稳定性和最小可检测度 (MDC).

主要成果:

• 优化的共振器实现了1040 Hz的共振频率和80的质量因子.
• U-Net++架构将甲测量的标准偏差降低了三倍 (12.91 ppm到0.0138 ppm).
• 甲的MDC提高了8100倍以上,从1.41ppm提高到0.173ppb,显示出更高的稳定性和灵敏性.

结论:

• 优化共振器和深度学习的协同集成显著推进了PAS技术.
• 开发的传感器表现出高精度,强度和长期稳定性,用于微量气体检测.
• 这项技术有望用于环境监测,工业安全和医学诊断领域的应用.