基于ANN的Pd掺杂SnO2厚膜传感器：LPG检测与350°C灵敏度优化

本研究论文探讨了利用人工神经网络（ANN）技术改进基于二氧化锡（SnO2）的厚膜气体传感器，特别是针对液化石油气（LPG）的检测性能。研究在350°C的条件下，对不同Pd掺杂浓度的SnO2传感器进行实验，目的是优化其对LPG的灵敏度和响应。传感器结构设计包括一个1英寸x1英寸氧化铝基底上的超敏气体层，其中SnO2被掺入不同量的钯（Pd），底部一对电极作为接触垫，同时配备有加热器和背面印刷的加热元件。 论文重点考察了在固定气体浓度下，通过改变Pd掺杂浓度和使用不同的非线性ANN技术，如Levenberg-Marquardt算法和随机权重/偏置规则，来评估传感器的电导和电容变化。在实验过程中，研究人员测量了在0-5000 ppm的LPG浓度范围内，传感器在恒定350°C下的灵敏度和选择性。最显著的结果是在0.5% LPG浓度下，传感器表现出最大响应，达到72.08%，这表明Pd掺杂显著提升了传感器对LPG的响应。 作者Amit Gupta博士、S.Kannan博士和GF Harish Reddy助理教授共同进行了这项工作，他们利用ANN算法对不同Pd掺杂的SnO2厚膜传感器的实际灵敏度进行了评估。研究发现，ANN模型训练算法对于优化传感器性能和探测LPG敏感性非常有效。这一研究结果强调了人工神经网络在SnO2厚膜传感器设计领域的重要作用，为LPG气体检测提供了一种潜在的高效工具。通过这种方法，可以提升气体传感器的性能，从而在工业应用中实现更精确和可靠的气体监测。