高灵敏度双频微条带传感器用于油水混合物分析,使用RBF神经网络优化

科学领域:

• 电磁学和微波工程 电磁学和微波工程
• 传感器技术 传感器技术
• 机器学习应用 机器学习应用

背景情况:

• 对油水混合物的准确表征对于各种工业和环境应用至关重要.
• 现有的液体混合物的介电分析方法往往缺乏灵敏度,选择性或紧性.
• 开发用于实时流体成分监测的新型传感平台仍然是一个活跃的研究领域.

研究的目的:

• 设计,制造和实验验证一个紧的双带微条带传感器用于油水混合物的特性.
• 为了研究传感器在两个不同的共振频率 (1.2 GHz和14.92 GHz) 的性能.
• 开发一种机器学习模型,根据传感器响应准确预测水度.

主要方法:

• 在FR-4基板上制造微条带传感器,尺寸为10.94 × 14.92 mm2.
• 试验测量油水混合物,其度各不相同 (5%的增量为0-100%).
• 使用辐射基函数 (RBF) 神经网络分析S参数反应和共振转移.

主要成果:

• 双频传感器实现了高灵敏度 (73.5 MHz/年在1.2 GHz,101.48 MHz/年在14.92 GHz).
• RBF神经网络模型预测了R2>0.99的水度,MSE为3.24 (%) 和MRE为3.6%.
• 与文献中现有的设计相比,传感器表现出了卓越的性能.

结论:

• 拟议的紧型双带微条带传感器为介电基流体分析提供了可靠和智能平台.
• 机器学习的整合提高了油水混合物表征的准确性和稳定性.
• 该传感器显示了实时工业和环境监测应用的巨大潜力.