A Review on Advanced Sensing Materials for Agricultural Gas Sensors
Notice bibliographique
Résumé
This work is a comprehensive review of sensing materials, which interact with several target gases pertinent to agricultural monitoring applications. Sensing materials which interact with carbon dioxide, water vapor (relative humidity), hydrogen sulfide, ethylene and ethanol are the focus of this work. Performance characteristics such as dynamic range, recovery time, operating temperature, long-term stability and method of deposition are discussed to determine the commercial viability of the sensing materials considered in this work. In addition to the sensing materials, deposition methods are considered to obtain the desired sensing material thickness based on the sensor's mechanism of operation. Various material classes including metal oxides, conductive polymers and carbon allotropes are included in this review. By implementing multiple sensing materials to detect a single target analyte, the issue of selectivity due to cross sensitivity can be mitigated. For this reason, where possible, it is desirable to utilize more than one sensing material to monitor a single target gas. Among those considered in this work, it is observed that PEDOT PSS/graphene and TiO2-coated g-C3N4 NS are best suited for CO2 detection, given their wide dynamic range and modest operating temperature. To monitor the presence of ethylene, BMIM-NTf2, SWCNTs and PtTiO2 offer a dynamic range most suitable for the application and require no active heating. Due to the wide dynamic range offered by SiO2/Si nanowires, this material is best suited for the detection of ethanol; a gas artificially introduced to prolong the shelf life of the harvested crop. Finally, among all other sensing materials investigated, it observed that both SWCNTs and CNTs/SnO2/CuO are most suitable for H2S detection in the given application.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».