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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».