Enhanced Selectivity Electronic Nose Systems for Agricultural Ammonia Gas Detection via a co-designed WO3-ZnO Sensor Array and Convolutional Neural Networks
Notice bibliographique
Résumé
Electronic noses (e-noses) offer a practical solution for real-time monitoring of ammonia (NH 3 ) in agricultural environments, where NH 3 often coexists with interfering gases such as CO 2 , CH 4 , and H 2 S. However, semiconductor-based gas sensors commonly used in e-nose systems suffer from inherent cross-sensitivity, which reduces measurement accuracy. This study investigates the cross-sensitivity of NH 3 detection and introduces a mitigation strategy through convolutional neural networks (CNNs) for sensor data fusion. Experimental results show that WO 2 -based sensors exhibit strong NH 3 selectivity, with response ratios of 7.3:1 against CH 4 and 17.8:1 against H 2 S. Density functional theory (DFT) analysis confirmed that the WO 3 sensor exhibited strongest NH 3 binding energy (− 1.45 eV), compared to SnO 2 (− 1.10 eV), explaining the observed selectivity. Measurement uncertainties (± 8%) were quantified under varying humidity (30–90% RH) and temperature (10–40 °C) using a weighted least squares error propagation model. A quasi-2D sensor array improved NH 3 classification accuracy to 96.4% (7.2% increase) while reducing concentration errors by 50.8%, as validated by linear discriminant analysis. Long-term stability tests demonstrated that SnO 2 sensors maintained a low baseline drift of 0.18%/day over 180 days, outperforming CH 4 (0.31%/day) and ZnO (0.42%/day) sensors. Furthermore, the CNN model, trained on multi-sensor time-series data, achieved 91.7% accuracy in mixed-gas environments by capturing non-linear response patterns, ensuring reliable NH 3 quantification despite interferents. These findings highlight the promise of CNN-enhanced e-nose systems for precise NH 3 monitoring in complex agricultural settings, addressing key challenges of cross-sensitivity and environmental stability
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 | 0,001 | 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 ».