Enabling Weather-Independent Gas Detection through Deep Learning on Light-Activated Sensors
Notice bibliographique
Résumé
Light-activated gas sensors offer a low-temperature, low-power approach for detecting target species, and their high-performance capabilities make them ideal for practical applications. The direct integration of Bi-doped In 2 O 3 nanofibers onto micro light-emitting diode (μLED) platforms enables high-performance sensors for simultaneous NO 2 and H 2 O detection. Introducing Bi into In 2 O 3 matrices facilitates the formation of oxygen vacancies and the dissociative adsorption of H 2 O, enhancing the adsorption and reactions with NO 2 . Under blue illumination, this μLED sensor system exhibits high NO 2 sensitivity, with a response value ( R g / R a ) of 264.9 at 1 ppm and 60% relative humidity and response and recovery times of less than 30 s. The use of μLEDs enhances light activation with a high energy transfer efficiency, resulting in outstanding NO 2 sensing characteristics. A convolutional neural network-based algorithm is employed to analyze transient sensing signals, accurately predicting with 99% classification accuracy and 10% regression error for both NO 2 and H 2 O, thereby demonstrating weather-independent sensing. This integration of Bi-doped In 2 O 3 nanofibers, which are specifically activated by blue illumination, μLEDs, and deep learning analytics, enables highly effective real-time environmental monitoring of NO 2 and humidity under environmentally variable outdoor conditions.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 | 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».