La nature 2D du graphène, sa sensibilité à une seule molécule, son faible bruit et sa forte concentration en porteurs ont suscité beaucoup d’intérêt pour son application dans les capteurs de gaz. Cependant, en raison de sa non-sélectivité inhérente et de son énorme dopage p dans l’air atmosphérique, ses applications dans la détection de gaz sont souvent limitées à des environnements contrôlés tels que l’azote, l’air sec ou l’air humide synthétique.
Bien que les conditions d’humidité dans l’air synthétique puissent être utilisées pour obtenir un dopage contrôlé des trous du canal de graphène, cela ne reflète pas adéquatement la situation dans l’air atmosphérique. De plus, l’air atmosphérique contient plusieurs gaz avec des concentrations similaires ou supérieures au gaz analytique. Ces lacunes des capteurs à base de graphène entravent la détection sélective des gaz et l’identification des espèces moléculaires dans l’air atmosphérique, ce qui est nécessaire pour les applications de surveillance de l’environnement et le diagnostic médical non invasif des maladies.
L’équipe de recherche dirigée par le Dr Manoharan Muruganathan (anciennement maître de conférences) et le professeur Hiroshi Mizuta du Japan Advanced Institute of Science and Technology (JAIST) ont utilisé les modèles d’apprentissage automatique (ML) entraînés sur divers signaux de dopage et de diffusion induits par l’adsorption de gaz. pour réaliser à la fois une détection de gaz hautement sensible et sélective avec un seul appareil.
Les performances des modèles ML dépendent souvent des caractéristiques d’entrée. «Les modèles ML conventionnels à base de graphène sont limités dans leurs caractéristiques d’entrée», explique le Dr Osazuwa Gabriel Agbonlahor (anciennement chercheur post-doctoral). Les modèles ML existants ne surveillent que les changements induits par l’adsorption de gaz dans les caractéristiques de transfert de graphène ou la résistance/conductivité sans moduler ces caractéristiques en appliquant un champ électrique externe.
Par conséquent, ils manquent l’interaction distinctive de van der Waals (vdW) entre les molécules de gaz et le graphène, qui est unique aux molécules de gaz individuelles. Par conséquent, contrairement aux modèles de nez électroniques conventionnels (e-nose), nous pouvons cartographier l’interaction graphène-gaz modulée par champ électrique externe, ce qui permet une extraction plus sélective des caractéristiques pour les environnements gazeux complexes tels que l’air atmosphérique.
Nos modèles ML pour l’identification des gaz atmosphériques ont été développés à l’aide du capteur de graphène fonctionnalisé avec un film mince de charbon actif poreux. Huit caractéristiques complexes vdW ont été utilisées pour surveiller les effets du champ électrique externe sur l’interaction vdW graphène-molécule de gaz, et ont par conséquent cartographié l’évolution de la liaison vdW avant, pendant et après l’application du champ électrique externe.
De plus, bien que les expériences de détection de gaz aient été réalisées dans différentes conditions expérimentales, par exemple, les pressions de la chambre à gaz, les concentrations de gaz, la température ambiante, l’humidité relative atmosphérique, le temps de réglage et la tension de réglage, les modèles développés se sont avérés suffisamment robustes pour s’adapter à ces variations de conditions expérimentales en n’exposant pas les modèles à ces paramètres.
De plus, pour tester la polyvalence des modèles, ils ont été formés sur des environnements atmosphériques ainsi que sur des environnements relativement inertes qui sont souvent utilisés dans la détection de gaz, par exemple l’azote et l’air sec. Par conséquent, un « nez électronique » de gaz atmosphérique à haute performance a été réalisé, distinguant les quatre environnements différents (ammoniac dans l’air atmosphérique, acétone dans l’air atmosphérique, acétone dans l’azote et ammoniac dans l’air sec) avec une précision de 100 %.
La recherche est publiée dans la revue Capteurs et actionneurs B : Chimique.
Plus d’information:
Osazuwa G. Agbonlahor et al, Identification par apprentissage automatique des gaz atmosphériques en cartographiant l’évolution de la liaison complexe graphène-molécule de van der waals, Capteurs et actionneurs B : Chimique (2023). DOI : 10.1016/j.snb.2023.133383
Fourni par Japan Advanced Institute of Science and Technology