吉大卢革宇&梁喜双ACS AMI: 机器学习辅助开发用于NO2气体传感器的敏感电极材料

基于钇稳定氧化锆（YSZ）的混合电位型NO_x传感器在汽车尾气检测中具有广阔的应用前景。然而，近3年来，针对此类气体传感器仅开发了5种新型传感电极材料，可见有针对性地开发用于某种气体检测的敏感电极材料仍然是一个挑战。

为此，吉林大学卢革宇教授、梁喜双教授等人训练了四种不同的机器学习（ML）模型（随机森林 (RF)、梯度提升决策树 (GBDT)、基于增益得分的极限梯度提升树 (XGBG) 和基于权重得分的极限梯度提升树 (XGBW)），以寻找用于NO₂检测的基于YSZ的潜在敏感电极材料。

通过上述ML模型，作者从8000种材料中选出了400多种材料。为了进一步验证模型的可靠性，选择了其中含有未开发元素的13种材料作为敏感电极材料，用于制作传感器并测试其气敏性能。

图1. 不同ML模型的学习曲线

实验结果表明，13种材料均表现出良好的NO₂气敏性能。所有这些传感器对100 ppm NO₂的响应都大于50 mV，并且选择性系数小于40%。这些结果证明ML模型是正确和可靠的，预测结果打破了传统敏感电极材料(A_xB_yO_z, A和B位均为金属元素) 的开发过程，且开发了用于NO₂检测的不含任何金属元素的BPO₄敏感电极材料。

借助ML在短时间内有针对性、高效地筛选出一系列新型敏感电极材料，这是传统试错法或建模方法难以实现的。将ML与实验相结合，将大大加快各种电子功能材料的开发，对功能材料的高效开发起到更大的作用。

图2. 传感器灵敏度比较

Machine Learning-Assisted Development of Sensitive Electrode Materials for Mixed Potential-Type NO₂ Gas Sensors, ACS Applied Materials & Interfaces 2021. DOI: 10.1021/acsami.1c14531

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/6d5eb73835/

吉大卢革宇&梁喜双ACS AMI: 机器学习辅助开发用于NO2气体传感器的敏感电极材料

相关推荐