Abstract
Purpose of research:search and analysis of existing models of gas-sensitive sensors. Development of mathematical models of gas-sensitive sensors of various types (semiconductor, thermocatalytic, optical, electrochemical) for their subsequent use in the training of artificial neural networks (INS). Investigation of main physicochemical patterns underlying the principles of sensor operation, consideration of the influence of environmental factors and cross-sensitivity on the sensor output signal. Comparison of simulation results with actual characteristics produced by the sensor industry. The concept of creating mathematical models is described. Their parameterization, research and assessment of adequacy are carried out.Methods.Numerical methods, computer modeling methods, electrical circuit theory, the theory of chemosorption and heterogeneous catalysis, the Freundlich and Langmuir equations, the Buger-Lambert-Behr law, the foundations of electrochemistry were used in creating mathematical models. Standard deviation (MSE) and relative error were calculated to assess the adequacy of the models.Results.The concept of creating mathematical models of sensors based on physicochemical patterns is described. This concept allows the process of data generation for training artificial neural networks used in multi-component gas analyzers for the purpose of joint information processing to be automated. Models of semiconductor, thermocatalytic, optical and electrochemical sensors were obtained and upgraded, considering the influence of additional factors on the sensor signal. Parameterization and assessment of adequacy and extrapolation properties of models by graphical dependencies presented in technical documentation of sensors were carried out. Errors (relative and RMS) of discrepancy of real data and results of simulation of gas-sensitive sensors by basic parameters are determined. The standard error of reproduction of the main characteristics of the sensors did not exceed 0.5%.Conclusion.Multivariable mathematical models of gas-sensitive sensors are synthesized, considering the influence of main gas and external factors (pressure, temperature, humidity, cross-sensitivity) on the output signal and allowing to generate training data for sensors of various types.
Highlights
Модернизация модели заключалась в учете конструктивных особенностей датчиков и влияния параметров окружающей среды, таких как температура и давление, через изменение свойств пробы
Для полупроводниковых и термокаталитических датчиков проведены наиболее детальные исследования математических моделей
– позволяют в автоматическом режиме генерировать выходной сигнал датчиков при подаче на вход различных комбинаций влияющих факторов, что необходимо для генерации обучающих данных;
Summary
Разработка математических моделей газочувствительных датчиков различных типов (полупроводниковых, термокаталитических, оптических, электрохимических) для последующего их использования в процессе обучения искусственных нейронных сетей (ИНС). Рассматривается концепция создания математических моделей, проводится их параметризация, исследование и оценка адекватности. Описана концепция создания математических моделей датчиков на основе физико-химических закономерностей, позволяющих автоматизировать процесс генерации данных для обучения искусственных нейронных сетей, применяемых в многокомпонентных газоанализаторах с целью совместной обработки информации. Определены погрешности (относительная и среднеквадратическая) расхождения реальных данных и результатов моделирования газочувствительных датчиков по основным параметрам. Синтезированы многопараметрические математические модели газочувствительных датчиков, учитывающие влияние основного газа и внешних факторов (давление, температуру, влажность, перекрестную чувствительность) на выходной сигнал и позволяющие генерировать обучающие данные для датчиков различных типов. Для цитирования: Синтез и параметризация моделей газочувствительных датчиков / О.Г.
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a call
