МОДЕЛИРОВАНИЯ СВОЙСТВ МАТЕРИАЛОВ СЕНСОРОВ ГАЗОВ НА ОСНОВЕ КОБАЛЬТСОДЕРЖАЩЕГО ПОЛИАКРИЛОНИТРИЛА С ИСПОЛЬЗОВАНИЕМ РЕГРЕССИОННОГО АНАЛИЗА И НЕЙРОННЫХ СЕТЕЙ
Аннотация
Разработан подход моделирования для материалов на основе органических полупро-
водников их физико-химических и газочувствительных свойств. Для моделирования исполь-
зовались такие методы как множественная линейная и нелинейная регрессия, нейронные
сети. В качестве входного вектора для моделирования свойств металлосодержащего по-
лиакрилонитрила являются параметры технологического процесса формирования мате-
риалов: массовая доля легирующего компонента (кобальта) в пленкообразующем растворе,
технологические режимы ИК-отжига: температура, время первого и второго этапов.
Выходной вектор - функциональные характеристики и физико-химические свойства мате-
риалов (удельное сопротивление, коэффициент газочувствительности, стабильность и
селективность). Методом ИК-пиролиза синтезированы металл-углеродные системы с
металлическими частицами Co на основе полиакрилонитрила. Измерены значения сопро-
тивления в среде детектируемого газа (хлора). Моделирование функциональных характе-
ристик и физико-химических свойств материалов проводилось на основе данных, получен-
ных при исследовании 200 образцов пленок кобальт/полиакрилонитрил. Множественной
линейной регрессии оказалась эффективной для прогноза значений удельного сопротивле-
ния. Нейронные сети использованы для прогнозирования значений коэффициента газочув-
ствительности, селективности и стабильности пленок кобальтсодержащего полиакрило-
нитрила. Построена искусственная нейронная сеть в виде многослойного персептрона для
прогнозирования коэффициента газочувствительности элементов сенсора газа на основе
данных технологических процессов получения материала (массовая доля легирующего ком-
понента (кобальта) в пленкообразующем растворе, технологические режимы ИК-отжига:
температура, время первого и второго этапов). Проверена соответствие синтезирован-
ной модели: экспериментальным данным: коэффициент корреляции R=0,82, среднеквадра-
тичная ошибка st= 0,017. Синтезированные модели в пределах экспериментальной ошибки
удовлетворительно описывает собранные данные, что позволяет оптимизировать хими-
ческий состав и условия термообработки.
Литература
Noses: From Advanced Materials to Sensors Aided with Data Processing // Advanced Materials
Technologies. – 2019. – Vol. 4 (2). – P. 1800488.
2. Narkhede P., Walambe R., Mandaokar S., Chandel P., Kotecha K., Ghinea G. Gas detection
and identification using multimodal artificial intelligence based sensor fusion // Applied System
Innovation. – 2021. – Vol. 4 (1), No. 3. – P. 1-14.
3. Дулов А.А., Слинкин А.А. Органические полупроводники. – М.: Наука, 1970. – 128 с.
4. Dultsev F.N., Fioroni M.T., Blackburn J.M., Abell C., Ostanin V.P., Klenerman D. Direct and
quant tat ve detect on of bacter ophage by «hear ng» surface detachment us ng a quartz crystal
microbalance // Anal. Chem. – 2001. – Vol. 73. – P. 3935-3939.
5. Zhang X., Yang D., Yang Z., Guo X., Liu B., Ren X., Liu S. Improved PEDOT:PSS/c-Si hybrid solar
cell using inverted structure and effective passivation // Scientific Reports. – 2016. – Vol. 6. – P. 1-8.
6. Tao F., Bernasek S.L. Functionalization of Semiconductor Surfaces. – Hoboken: John Wiley &
Sons, 2012. – 434 p.
7. Calio A., Cassinese A., Casalino M., Rea I., Barra M., Chiarella F., De Stefano L. Hybrid
organic – inorganic porous semiconductor transducer for multiparameters sensing // Interface.
– 2015. – Vol. 12. – P. 20141268.
8. Géczy-Víg P., Farkas I. Neural network modelling of thermal stratification in a solar DHW
storage // Solar Energy. – 2010. – Vol. 84. – P. 801-806.
9. Efimov M.N., Vasil'ev A.A., Muratov D.G., Zemtsov L.M., Karpacheva G.P. Metall-uglerodnye
nanokompozity C/Co na osnove aktivirovannogo pirolizovannogo poliakrilonitrila i chastits
kobal'ta [Metal-carbon C/Co nanocomposites based on activated pyrolyzed polyacrylonitrile
and cobalt particles], Zhurnal fizicheskoy khimii [Journal of Physical Chemistry], 2017, Vol.
91, No. 9, pp. 1559-1564.
10. Zaporotskova I.V., Kakorina O.A., Kozhitov L.V. [i dr.]. Metallopolimernye nanokompozity
na osnove pirolizovannogo poliakrilonitrila s metallicheskimi vklyucheniyami Fe-Ni-Co
[Metallopolymer nanocomposites based on pyrolyzed polyacrylonitrile with metallic inclusions
of Fe-Ni-Co], Izvestiya vysshikh uchebnykh zavedeniy. Fizika [zvestiya of higher educational
institutions. Physics], 2020, Vol. 63, No. 11, pp. 68-74.
11. Kostina J., Chernikova E., Bondarenko G., Poteryaeva Z., Cherevan A., Efimov M., Duflot V.,
Dubova E. Influence of synthesis conditions of polyacrylonitrile on their structure and thermal
behavior, Materials, Methods & Technologies, 2012, Vol. 6, Part 1, pp. 273-289.
12. Kobzar' A.I. Prikladnaya matematicheskaya statistika. Dlya inzhenerov i nauchnykh
rabotnikov [Applied mathematical statistics. For engineers and researchers]. Moscow:
Fizmatlit, 2006, 816 p.
13. Amosov A.A., Dubinskiy Yu.A., Kopchenova N.V. Vychislitel'nye metody [Computational
methods]. Saint Petersburg, 2014, 672 p.
14. Khaykin S. Neyronnye seti: polnyy kurs [Neural networks: a complete course]. Moscow:
Izdatel'skiy dom Vil'yams, 2008, 1103 p.
15. Boccaletti S., Latora V., Moreno Y., Chavez M., Hwang D.-U. Complex networks: Structure
and dynamics, Physics Reports, 2006, Vol. 424 (4-5), pp. 175-308.
16. Moriasi D.N., Arnold J.G., Van Liew M.W., Bingner R.L., Harmel R.D., Veith T.L. Model
evaluation guidelines for systematic quantification of accuracy in watershed simulations,
Transactions of the ASABE, 2007, Vol. 50, No. 3, pp. 885-900.
17. Dreiseitl S., Ohno-Machado L. Logistic regression and artificial neural network classification
models: A methodology review, Journal of Biomedical Informatics, 2002, Vol. 35 (5-6),
pp. 352-359.
18. Bednaya T.A., Konovalenko S.P., Semenistaya T.V., Petrov V.V., Korolev A.N. Izgotovlenie
gazochuvstvitel'nykh elementov sensora dioksid azota i khlora na osnove
kobal'tsoderzhashchego poliakrilonitrila [Manufacture of gas-sensitive elements of the nitrogen
dioxide and chlorine sensor based on cobalt-containing polyacrylonitrile], Izvestiya
vysshikh uchebnykh zavedeniy. Elektronika [News of higher educational institutions. Electronics],
2012, No. 4 (96), pp. 66-71.
19. Konovalenko S.P., Bednaya T.A., Semenistaya T.V., Petrov V.V., Maraeva E.V. Razrabotka
tekhnologii polucheniya nepodogrevnykh sensorov gaza na osnove poliakrilonitrila dlya gibridnykh
sensornykh sistem [Development of technology for obtaining non-heating gas sensors based on
polyacrylonitrile for hybrid sensor systems], Inzhenernyy vestnik Dona [Engineering Bulletin of the
Don], 2012, No. 4 (Part 2). Available at:ivdon.ru/magazine/archive/n4p2y2012/1356/ (accessed
26 November 2022).
20. Werbos P.J. Backpropagation Through Time: What It Does and How to Do It, Proceedings of
the IEEE, 1990, Vol. 78, No. 10, pp. 1550-1560.
21. Setiono R., Kwong Hui, L.C. Use of a Quasi-Newton Method in a Feedforward Neural Network
Construction Algorithm, IEEE Transactions on Neural Networks, 1995, Vol. 6, No. 1,
pp. 273-277.
22. Charalambous C. Conjugate gradient algorithm for efficient training of artificial neural networks
IEE Proceedings, Devices and Systems Part, 1992, Vol. 139 (3), pp. 301-310.
23. Raja M.A.Z., Shoaib M., Hussain S., Nisar K.S., Islam S. Computational intelligence of
Levenberg-Marquardt backpropagation neural networks to study thermal radiation and Hall effects
on boundary layer flow past a stretching sheet, International Communications in Heat
and Mass Transfer, 2022, 130, art. No. 105799.
