1. Αρχική σελίδα
  2. Αναζήτηση

Smart Gas Sensors: Deep Learning for the identification and classification of various gaseous species by sensors

Το τεκμήριο παρέχεται από τον φορέα :
Εθνικό Μετσόβιο Πολυτεχνείο   

Αποθετήριο :
Ψηφιακό Αποθετήριο της Κεντρικής Βιβλιοθήκης του ΕΜΠ | Dspace@NTUA   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Smart Gas Sensors: Deep Learning for the identification and classification of various gaseous species by sensors (EN)
Ανδρίκος, Κωνσταντίνος (EL)
Andrikos, Konstantinos (EN)
ntua (EL)
Λαγαρός, Νικόλαος (EL)
Ριζιώτης Βαίλης (EL)
Λαγαρός Νικόλαος (EL)
Θεοδώρου Δώρος (EL)
masterThesis
2021-09-08T05:43:27Z
2021-07-05
Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Υπολογιστική Μηχανική”
The aim of this present thesis was the exploitation of Artificial Intelligence (AI) algorithms for the discrimination of various gaseous species based on their type and concentration. For the detection of the volatile organic compounds we used metal oxide semiconductor (MOX) gas sensors. A key feature of these sensors is the alteration of one or more of their physical properties upon exposure to a gas stimuli in a way that is possible to measure and quantify. In our experiments during the exposure of an array of sensors to a deoxidizing gas, changes in the resistance of each sensor were measured. The acquired data were multivariate time series since we measured the response of an array of three sensors. The gas sensor array (GSA) delivers a unique fingerprint upon exposure to a gas stimuli. The next stage consists of pre-processing the acquired time series in order to use a pattern recognition algorithm for the recognition of the acquired fingerprint. In this context we used machine learning (ML) and deep learning (DL) models which after sufficient training, they are capable of predicting the class of a future recording of the GSA. The experimental process includes an odour delivery system, consisting of a sealed chamber where the GSA was placed, a gas injection phase, and the measure of the responses of the GSA by the Keithley 2400 instrument. We constructed the GSA’s electrical circuit and also a circuit for the control of the acquisition by an Arduino microcontroller. This work demonstrates the utilization of ML and DL algorithms in the field of smart gas sensors. For this purpose we used the dataset created in the laboratory but also some relevant datasets freely available from the UCI Machine Learning Repository. (EL)
Smart gas sensing (EN)
Neural networks (EN)
Machine learning (EN)
Metal oxide gas sensors (EN)
Pattern recognition (EN)
Αγγλική γλώσσα
Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών (EL)
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
http://creativecommons.org/licenses/by-nc-nd/3.0/gr/
Εθνικό Μετσόβιο Πολυτεχνείο
Ψηφιακό Αποθετήριο της Κεντρικής Βιβλιοθήκης του ΕΜΠ | Dspace@NTUA
Κεντρική Βιβλιοθήκη Ε.Μ.Π.
Ιδρυματικό Αποθετήριο
Μεταπτυχιακές Εργασίες



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.