eng
Выпуск #1/2023
E.C.Тюнтеров, В.С.Абруков, В.А.Мукин, А.В.Смирнов, Д.В.Петров, Н.И.Петров, Н.В.Александрова, И.Ю.Семенова
МЕТОДОЛОГИЯ РАЗРАБОТКИ ТОНКОПЛЕНОЧНЫХ СИСТЕМ С ЗАДАННОЙ ГАЗОЧУВСТВИТЕЛЬНОСТЬЮ ДЛЯ ХЕМОРЕЗИСТИВНОЙ ГАЗОВОЙ СЕНСОРИКИ БЕЗ ИСТОЧНИКОВ ПИТАНИЯ
МЕТОДОЛОГИЯ РАЗРАБОТКИ ТОНКОПЛЕНОЧНЫХ СИСТЕМ С ЗАДАННОЙ ГАЗОЧУВСТВИТЕЛЬНОСТЬЮ ДЛЯ ХЕМОРЕЗИСТИВНОЙ ГАЗОВОЙ СЕНСОРИКИ БЕЗ ИСТОЧНИКОВ ПИТАНИЯ
Просмотры: 926
DOI: https://doi.org/10.22184/1993-8578.2022.16.1.22.28
Представлена методология разработки тонкопленочных систем, которая позволит получать хеморезистивные сенсоры с заданной газочувствительностью. Методология заключается в проведении серий экспериментов по синтезу тонкопленочных систем с использованием различных технологий синтеза (различные исходные материалы, параметры синтеза тонких пленок, различные методы синтеза тонких пленок: терморезистивное испарение, воздушно-капельное распыление, отжиг в атмосфере кислорода), проведении измерений их свойств и характеристик, создании базы данных результатов экспериментов; обобщении зависимостей, содержащихся в экспериментальных данных с помощью искусственных нейронных сетей в виде многофакторных вычислительных моделей. Эти модели позволят решать прямые и обратные задачи, экстраполировать выявленные в экспериментальных данных зависимости, проводить виртуальные эксперименты.
Представлена методология разработки тонкопленочных систем, которая позволит получать хеморезистивные сенсоры с заданной газочувствительностью. Методология заключается в проведении серий экспериментов по синтезу тонкопленочных систем с использованием различных технологий синтеза (различные исходные материалы, параметры синтеза тонких пленок, различные методы синтеза тонких пленок: терморезистивное испарение, воздушно-капельное распыление, отжиг в атмосфере кислорода), проведении измерений их свойств и характеристик, создании базы данных результатов экспериментов; обобщении зависимостей, содержащихся в экспериментальных данных с помощью искусственных нейронных сетей в виде многофакторных вычислительных моделей. Эти модели позволят решать прямые и обратные задачи, экстраполировать выявленные в экспериментальных данных зависимости, проводить виртуальные эксперименты.
Теги: chemoresistive sensors development methodology gas sensitivity metal oxides multivariate computational models neural networks single-walled carbon nanotubes thin-film systems газочувствительность методология разработки многофакторные вычислительные модели нейронные сети однослойные углеродные нанотрубки оксиды металла тонкопленочные системы хеморезистивные сенсоры
Получено: 12.01.2023 г. | Принято: 18.01.2023 г. | DOI: https://doi.org/10.22184/1993-8578.2022.16.1.22.28
Научная статья
МЕТОДОЛОГИЯ РАЗРАБОТКИ ТОНКОПЛЕНОЧНЫХ СИСТЕМ С ЗАДАННОЙ ГАЗОЧУВСТВИТЕЛЬНОСТЬЮ ДЛЯ ХЕМОРЕЗИСТИВНОЙ ГАЗОВОЙ СЕНСОРИКИ БЕЗ ИСТОЧНИКОВ ПИТАНИЯ
E.C.Тюнтеров1, аспирант, ORCID: 0000-0002-8816-9737
В.С.Абруков1, д.ф-м.н., зав. каф., проф., ORCID: 0000-0002-4680-6224
В.А.Мукин1, к.ф.-м.н., доц., ORCID: 0000-0002-9147-3799
А.В.Смирнов1, инженер, ORCID: 0000-0003-2424-8142 / fizteh21@yandex.ru
Д.В.Петров1, аспирант, ORCID: 0000-0001-8697-257X
Н.И.Петров1, к.ф.-м.н., доц., ORCID: 0000-0002-3790-6661
Н.В.Александрова1, к.ю.н., доц., ORCID: 0000-0002-7145-3010
И.Ю.Семенова1, ст. преп., ORCID: 0000-0002-7145-3017
Аннотация. Представлена методология разработки тонкопленочных систем, которая позволит получать хеморезистивные сенсоры с заданной газочувствительностью. Методология заключается в проведении серий экспериментов по синтезу тонкопленочных систем с использованием различных технологий синтеза (различные исходные материалы, параметры синтеза тонких пленок, различные методы синтеза тонких пленок: терморезистивное испарение, воздушно-капельное распыление, отжиг в атмосфере кислорода), проведении измерений их свойств и характеристик, создании базы данных результатов экспериментов; обобщении зависимостей, содержащихся в экспериментальных данных с помощью искусственных нейронных сетей в виде многофакторных вычислительных моделей. Эти модели позволят решать прямые и обратные задачи, экстраполировать выявленные в экспериментальных данных зависимости, проводить виртуальные эксперименты.
Ключевые слова: методология разработки, тонкопленочные системы, хеморезистивные сенсоры, оксиды металла, однослойные углеродные нанотрубки, газочувствительность, нейронные сети, многофакторные вычислительные модели
Для цитирования: E.C. Тюнтеров, В.С. Абруков, В.А. Мукин, А.В. Смирнов, Д.В. Петров, Н.И. Петров, Н.В. Александрова, И.Ю. Семенова. Методология разработки тонкопленочных систем с заданной газочувствительностью для хеморезистивной газовой сенсорики без источников питания. НАНОИНДУСТРИЯ. 2023. Т. 16, № 1. С. 22–28. https://doi.org/10.22184/1993-8578.2023.16.1.22.28
Received: 12.01.2023 | Accepted: 18.01.2023 | DOI: https://doi.org/10.22184/1993-8578.2023.16.1.22.28
Original paper
A METHODOLOGY FOR DEVELOPMENT OF THIN-FILM SYSTEMS WITH DEFINED GAS SENSITIVITY REQUIRING NO POWER SOURCES AND INTENDED FOR CHEMORESISTIVE GAS SENSING
E.S.Tyunterov1, Post Graduate, ORCID: 0000-0002-8816-9737
V.S.Abrukov1, Doct. of Sci. (Physics and Mathematics), Head of the Department, Prof., ORCID: 0000-0002-4680-6224
V.A.Mukin1, Cand. of Sci. (Physics and Mathematics), Associate Professor, ORCID: 0000-0002-9147-3799
A.V.Smirnov1, Engineer, ORCID: 0000-0003-2424-8142 / fizteh21@yandex.ru
D.V.Petrov1, Post Graduate, ORCID: 0000-0001-8697-257X
N.I.Petrov1, Cand. of Sci. (Physics and Mathematics), docent, ORCID: 0000-0002-3790-6661
N.V.Aleksandrova1, Cand. of Sci. (Law), Associate Professor, ORCID: 0000-0002-7145-3010
I.Y.Semenova1, Senoir Researcher, ORCID: ORCID: 0000-0002-7145-3017
Abstract. A methodology for development of thin-film systems is presented, which will make it possible to obtain chemoresistive sensors with a given gas sensitivity. The methodology provides for conducting a series of experiments on the thin-film systems synthesis using various synthesis technologies (different starting materials, parameters of thin films synthesis, various methods of thin films synthesis: thermoresistive evaporation, air-drop sputtering, annealing in oxygen atmosphere), measuring their properties and characteristics, creating a database of experimental results; generalization of the dependencies contained in the experimental data using artificial neural networks in the form of multifactorial computational models. These models will make it possible to solve direct and inverse problems, extrapolate the dependencies revealed in the experimental data, and conduct virtual experiments.
Keywords: development methodology, thin-film systems, chemoresistive sensors, metal oxides, single-walled carbon nanotubes, gas sensitivity, neural networks, multivariate computational models
For citation: E.S. Tyunterov, V.S. Abrukov, V.A. Mukin, A.V. Smirnov, D.V. Petrov, N.I. Petrov, N.V. Aleksandrova, I.Y. Semenova. A methodology for development of thin-film systems with defined gas sensitivity requiring no power sources and intended for chemoresistive gas sensing. NANOINDUSTRY. 2023. V. 16, no. 1. PP. 22–28. https://doi.org/10.22184/1993-8578.2023.16.1.22.28
ВВЕДЕНИЕ
В настоящее время активно развивается газовая сенсорика, востребованная в промышленности на производственных предприятиях, в медицине, в обеспечении общественной безопасности и т. д. [1, 2]. Перспективными материалами для газовых сенсоров являются наноматериалы, поскольку они обладают хорошими газочувствительными свойствами.
В данной работе представлена новая методология разработки сенсоров с заранее заданной газочувствительностью на основе тонкопленочных систем: оксиды металлов (ОМ) + однослойные углеродные нанотрубки (ОУНТ). Предварительные эксперименты [3] показывают, что такие системы могут обладать хорошими газочувствительными свойствами.
Методология разработки состоит из экспериментальной части и части, связанной с обобщением полученных результатов с помощью искусственных нейронных сетей в виде многофакторных вычислительных моделей, которые позволят решать прямые и обратные задачи эксперимента, экстраполировать выявленные в экспериментальных данных зависимости, проводить виртуальные эксперименты.
В качестве примера применения методологии в данной работе будут рассмотрены тонкопленочные системы на основе SnO2, SnO2/ОУНТ. Данные системы интересны тем, что могут работать, как сенсоры, без источника питания, так как они не требуют нагрева. Они могут использоваться для обнаружения таких газов, как метанол, этанол.
МЕТОДЫ ИССЛЕДОВАНИЯ
С целью обобщения всех полученных экспериментальных данных (не только тех, что описаны выше) с помощью искусственных нейронных сетей (ИНС) был создан комплекс многофакторных вычислительных моделей. Основы ИНС и методы использования ИНС для моделирования экспериментальных данных представлены и описаны в [3]. Для создания моделей использовались нейронные сети, включенные в аналитическую платформу Deductor Academic 5.3 Build 0.88 (www.basegroup.ru) – бесплатная академическая версия.
РЕЗУЛЬТАТЫ
Первым шагом в получении тонкопленочной системы на основе ОМ и ОУНТ будет напыление тонкой пленки ОМ на поверхность стеклянной подложки методом терморезистивного испарения в вакуумной установке ВУП-4. Суть метода терморезистивного испарения заключается в следующем: на вольфрамовый испаритель помещаются гранулы ОМ, затем испаритель нагревают, атомы и кластеры ОМ переходят в газообразную фазу и конденсируются на поверхности стеклянной подложки в виде пленки.
Варьироваться и измеряться будут следующие величины: время напыления, температура испарителя, общая масса гранул ОМ, средний размер гранул. Регистрироваться будет толщина полученной пленки ОМ.
Вторым шагом будет нанесение на тонкую пленку ОМ пленок ОУНТ методом воздушно-капельного распыления. Будут использоваться готовый раствор с ОУНТ, гравер и печь. Готовый раствор с ОУНТ предварительно будет обрабатываться в ультразвуковой ванне для достижения однородного состава раствора, что позволит обеспечить более однородное нанесение пленки ОУНТ. Далее на гравер закрепляется подложка с напыленной на нее тонкой пленкой ОМ, гравер с пленкой приводится во вращение и помещается в муфельную печь, нагретую до 100 °С. ОУНТ на тонкую пленку ОМ наносится методом воздушно-капельного распыления из готового раствора. Вращение гравера необходимо для однородного напыления ОУНТ на пленку ОМ.
Варьироваться и измеряться будет концентрация раствора ОУНТ. Регистрироваться будет толщина полученной системы: пленка ОМ + ОУНТ.
Третьим этапом в получении тонкопленочной системы на основе ОМ будет отжиг полученных образцов в печи МИМП-ВМ.
В процессе отжига будут варьироваться и измеряться следующие величины: температура отжига, время отжига.
Четвертым этапом исследований будет измерение характеристик полученных образцов композитной системы ОМ + ОУНТ. Будут измерены топографические (профиль поверхности), электрофизические (сопротивление и удельное поверхностное сопротивление) и газочувствительные характеристики: изменение сопротивления образца во времени выдержки в парах определенного газа, время отклика, время восстановления. По профилю поверхности (будет измеряться с помощью атомно-силового микроскопа) можно будет узнать взаимное расположение на поверхности кластеров ОМ и ОУНТ (сплошность пленки, максимальная и минимальная "высота" поверхности, среднеквадратичное отклонение "высоты поверхности").
По результатам этих четырех этапов будет сформирована база данных проведенных экспериментов, включающая в себя все вышеуказанные параметры технологий синтеза систем и все измеренные характеристики созданных систем, и, с помощью искусственных нейронных сетей (ИНС) будет создана многофакторная вычислительная модель, способная выявлять все зависимости, содержащиеся в экспериментальных данных, решать прямые и обратные задачи эксперимента, экстраполировать выявленные в экспериментальных данных зависимости, проводить виртуальные эксперименты.
Создание такой ИНС – модели позволит разрабатывать технологии создания сенсоров на основе систем ОМ + ОУНТ с заранее заданной чувствительностью.
Методика создания таких ИНС-моделей подробно описана в [4].
Примеры применения ИНС-моделей для решения прямых и обратных задач эксперимента, экстраполяции выявленных в экспериментальных данных зависимостей, проведения виртуальных экспериментов приведены в [5–13].
ОБСУЖДЕНИЕ
Использовались нейронные сети прямого распространения (feed forward neural networks) c одним входным слоем (число нейронов определялось числом факторов), одним внутренним (hidden) слоем с разным числом скрытых нейронов (от 5 до 8), одним выходным слоем (с одним нейроном). Целевыми функциями моделей являлись коэффициент прозрачности, мнимая и действительная части диэлектрической проницаемости. Факторами моделей были: температурные зависимости электросопротивления (значения сопротивлений от температуры нагрева подложки 25...90 °С) с нанесенными полупроводниковыми пленками SnO2 и SnO2/ОУНТ – рис.1, 2; электрическое сопротивление для газочувствительных пленок SnO2 и SnO2/ОУНТ от времени выдержки в газе-аналите (пары этанола) – рис.3, 4.
Полученные модели представляли собой своеобразные (полученные в процессе обучения нейронных сетей) калькуляторы (вычислительные структуры) по проведенным реальным газосенсорным измерениям, позволяющие для любого набора значений факторов определять целевую функцию конкретной модели.
Отметим, что по графикам (рис.1, 2) определяется энергия активации (электрическая ширина запрещенной зоны), тип проводимости, и по данным параметрам, а также оптической ширине запрещенной зоны возможно оценивать степень легированности полупроводниковых пленок (p- и n-типов проводимости) [14]. Степень легированности соответственно влияет на газочувствительность сенсорных структур.
ВЫВОДЫ
Представлена методология разработки технологий синтеза хеморезистивных тонкопленочных систем на основе оксидов металлов и углеродных нанотрубок для получения газовых сенсоров с заданной газочувствительностью. Методология включает в себя пять этапов, четыре из которых связаны с проведением экспериментов, а пятая – с использованием искусственных нейронных сетей для создания многофакторной вычислительной модели, способной выявлять все зависимости, содержащиеся в экспериментальных данных, решать прямые и обратные задачи эксперимента, экстраполировать выявленные в экспериментальных данных зависимости, проводить виртуальные эксперименты. Данная методология может быть применена при разработке технологий синтеза тонкопленочных систем различного назначения, а также при разработке новых наноматериалов. В перспективе, такая методология может быть применена для создания "Генома наноматериалов" [5].
ИНФОРМАЦИЯ О РЕЦЕНЗИРОВАНИИ
Редакция благодарит анонимного рецензента (рецензентов) за их вклад в рецензирование этой работы, а также за размещение статей на сайте журнала и передачу их в электронном виде в НЭБ eLIBRARY.RU.
Декларация о конфликте интересов. Авторы заявляют об отсутствии конфликтов интересов или личных отношений, которые могли бы повлиять на работу, представленную в данной статье.
ЛИТЕРАТУРА / REFERENCES
Боченков В.Е., Сергеев Г.Б. Наноматериалы для сенсоров, Успехи химии, 2007, 76, 11.
Федоров Л.Ю., Ушаков А.В., Карпов И.В. Синтез и хеморезистивная чувстивтельность к водороду наноструктурированных пленок CuO, Письма в ЖТФ, 2022, 48, 14.
Тюнтеров Е.С., Смирнов А.В., Казаков В.А., Сорокин Г.М. Исследование свойств тонкопленочной системы на основе оксида олова с однослойными углеродными нанотрубками. Физическое образование в вузах, 2022, 28, 1.
Абруков В., Киселев М., Ануфриева Д., Данилов Е. Искусственные нейронные сети как методологическая основа Генома материалов. Электронный ресурс: https://www.researchgate.net/publication/361103341_Iskusstvennye_nejronnye_seti_kak_metodologiceskaa_osnova_Genoma_materialov_Artificial_neural_networks_as_a_methodological_basis_of_the_Materials_Genome, 2022.
Abrukov V.S., Karlovich E.V., Afanasyev V.N., Semenov Y.V., Abrukov S.V. Сreation of propellant combustion models by means of data mining tools. International Journal of Energetic Materials and Chemical Propulsion. 2010. Vol. 9. No. 5, PP. 385–396.
Chandrasekaran N., Bharath R.S., Oommen C., Abrukov V.S., Kiselev M.V., Anufrieva D.A., Kumar V.R.S. Development of the Multifactorial Computational Models of the Solid Propellants Combustion by Means of Data Science Methods – Phase II, 2018 Joint Propulsion Conference, AIAA Propulsion and Energy Forum, (AIAA 2018-4961), https://doi.org/10.2514/6.2018-4961.
Abrukov V., Lukin A., Anufrieva D., Oommen C., Sanalkumar V., Chandrasekaran N., Bharath R. (2019). Recent Advancements in Study of Effects of Nano Micro Additives on Solid Propellants Combustion by Means of the Data Science Methods. Defence Science Journal, 69(1), PP. 20–26. https://doi.org/10.14429/dsj.69.12948.
Chandrasekaran N., Oommen C., Sanalkumar V.R., Abrukov V.S., Anufrieva D.A. Prediction of Detonation Velocity and N-O Composition of High Energy C-H-N-O Explosives by Means of the Data Science Methods, Prop., Explos., Pyrotech., 2019, vol. 44, no. 5, pp. 579–587.
Mariappan A., Choi H., Abrukov V.S., Anufrieva D.A., Sankar V., Sanalkumar V.R. The Application of Energetic Materials Genome Approach for Development of the Solid Propellants Through the Space Debris Recycling at the Space Platform. Conference: AIAA Propulsion and Energy 2020 Forum. AIAA 2020-3898. https://doi/org/10.2514/6.2020-3898.
Abrukov V.S., Chandrasekaran N., Sanal K.V.R., Anufrieva D.A. Genome approach and data science methods for accelerated discovery of new solid propellants with desired properties, AIAA Propulsion and Energy 2020 Forum, AIAA 2020-3929, https://doi.org/10.2514/6.2020-3929.
Abrukov V.S., Oommen C., Kumar V.R.S., Chandrasekaran N., Sankar V., Kiselev M.V., Anufrieva D.A. Development of the Multifactorial Computational Models of the Solid Propellants Combustion by Means of Data Science Methods – Phase III. Technology and Investment, 2019, Proceedings of the 55th AIAA/SAE/ASEE Joint Propulsion Conference 2019, AIAA Propulsion and Energy Forum, Indianapolis, Indiana, 19–22 August 2019, AIAA 2019-3957 https://doi.org/10.2514/6.2019-3957.
Abrukov V.S., Anufrieva D.A., et al. Multifactor Computational Models of the Effect of Catalysts on the Combustion of Ballistic Powders (experimental results of Denisyuk team) Direct Tasks, Virtual Experiments and Inverse Problems. Электронный ресурс: https://www.researchgate.net/publication/344727996_Multifactor_Computational_Models_of_the_Effect_of_Catalysts_on_the_Combustion_of_Ballistic_Powders_experimental_results_of_Denisyuk_team_Direct_Tasks_Virtual_Experiments_and_Inverse_Problems
Abrukov V.S., Anufrieva D.A., et al. Comprehensive study of AP particle size and concentration effects on the burning rate of composite AP/HTPB propellants by means of neural networks. Development of the multifactor computational models. Direct tasks and inverse problems & virtual experiments. https://doi.org/10.13140/RG.2.2.19019.62242.
Pinczlits M., Spingholz G., Bauer G. Appl. Phys. Lett , 73(1998) 250.
Научная статья
МЕТОДОЛОГИЯ РАЗРАБОТКИ ТОНКОПЛЕНОЧНЫХ СИСТЕМ С ЗАДАННОЙ ГАЗОЧУВСТВИТЕЛЬНОСТЬЮ ДЛЯ ХЕМОРЕЗИСТИВНОЙ ГАЗОВОЙ СЕНСОРИКИ БЕЗ ИСТОЧНИКОВ ПИТАНИЯ
E.C.Тюнтеров1, аспирант, ORCID: 0000-0002-8816-9737
В.С.Абруков1, д.ф-м.н., зав. каф., проф., ORCID: 0000-0002-4680-6224
В.А.Мукин1, к.ф.-м.н., доц., ORCID: 0000-0002-9147-3799
А.В.Смирнов1, инженер, ORCID: 0000-0003-2424-8142 / fizteh21@yandex.ru
Д.В.Петров1, аспирант, ORCID: 0000-0001-8697-257X
Н.И.Петров1, к.ф.-м.н., доц., ORCID: 0000-0002-3790-6661
Н.В.Александрова1, к.ю.н., доц., ORCID: 0000-0002-7145-3010
И.Ю.Семенова1, ст. преп., ORCID: 0000-0002-7145-3017
Аннотация. Представлена методология разработки тонкопленочных систем, которая позволит получать хеморезистивные сенсоры с заданной газочувствительностью. Методология заключается в проведении серий экспериментов по синтезу тонкопленочных систем с использованием различных технологий синтеза (различные исходные материалы, параметры синтеза тонких пленок, различные методы синтеза тонких пленок: терморезистивное испарение, воздушно-капельное распыление, отжиг в атмосфере кислорода), проведении измерений их свойств и характеристик, создании базы данных результатов экспериментов; обобщении зависимостей, содержащихся в экспериментальных данных с помощью искусственных нейронных сетей в виде многофакторных вычислительных моделей. Эти модели позволят решать прямые и обратные задачи, экстраполировать выявленные в экспериментальных данных зависимости, проводить виртуальные эксперименты.
Ключевые слова: методология разработки, тонкопленочные системы, хеморезистивные сенсоры, оксиды металла, однослойные углеродные нанотрубки, газочувствительность, нейронные сети, многофакторные вычислительные модели
Для цитирования: E.C. Тюнтеров, В.С. Абруков, В.А. Мукин, А.В. Смирнов, Д.В. Петров, Н.И. Петров, Н.В. Александрова, И.Ю. Семенова. Методология разработки тонкопленочных систем с заданной газочувствительностью для хеморезистивной газовой сенсорики без источников питания. НАНОИНДУСТРИЯ. 2023. Т. 16, № 1. С. 22–28. https://doi.org/10.22184/1993-8578.2023.16.1.22.28
Received: 12.01.2023 | Accepted: 18.01.2023 | DOI: https://doi.org/10.22184/1993-8578.2023.16.1.22.28
Original paper
A METHODOLOGY FOR DEVELOPMENT OF THIN-FILM SYSTEMS WITH DEFINED GAS SENSITIVITY REQUIRING NO POWER SOURCES AND INTENDED FOR CHEMORESISTIVE GAS SENSING
E.S.Tyunterov1, Post Graduate, ORCID: 0000-0002-8816-9737
V.S.Abrukov1, Doct. of Sci. (Physics and Mathematics), Head of the Department, Prof., ORCID: 0000-0002-4680-6224
V.A.Mukin1, Cand. of Sci. (Physics and Mathematics), Associate Professor, ORCID: 0000-0002-9147-3799
A.V.Smirnov1, Engineer, ORCID: 0000-0003-2424-8142 / fizteh21@yandex.ru
D.V.Petrov1, Post Graduate, ORCID: 0000-0001-8697-257X
N.I.Petrov1, Cand. of Sci. (Physics and Mathematics), docent, ORCID: 0000-0002-3790-6661
N.V.Aleksandrova1, Cand. of Sci. (Law), Associate Professor, ORCID: 0000-0002-7145-3010
I.Y.Semenova1, Senoir Researcher, ORCID: ORCID: 0000-0002-7145-3017
Abstract. A methodology for development of thin-film systems is presented, which will make it possible to obtain chemoresistive sensors with a given gas sensitivity. The methodology provides for conducting a series of experiments on the thin-film systems synthesis using various synthesis technologies (different starting materials, parameters of thin films synthesis, various methods of thin films synthesis: thermoresistive evaporation, air-drop sputtering, annealing in oxygen atmosphere), measuring their properties and characteristics, creating a database of experimental results; generalization of the dependencies contained in the experimental data using artificial neural networks in the form of multifactorial computational models. These models will make it possible to solve direct and inverse problems, extrapolate the dependencies revealed in the experimental data, and conduct virtual experiments.
Keywords: development methodology, thin-film systems, chemoresistive sensors, metal oxides, single-walled carbon nanotubes, gas sensitivity, neural networks, multivariate computational models
For citation: E.S. Tyunterov, V.S. Abrukov, V.A. Mukin, A.V. Smirnov, D.V. Petrov, N.I. Petrov, N.V. Aleksandrova, I.Y. Semenova. A methodology for development of thin-film systems with defined gas sensitivity requiring no power sources and intended for chemoresistive gas sensing. NANOINDUSTRY. 2023. V. 16, no. 1. PP. 22–28. https://doi.org/10.22184/1993-8578.2023.16.1.22.28
ВВЕДЕНИЕ
В настоящее время активно развивается газовая сенсорика, востребованная в промышленности на производственных предприятиях, в медицине, в обеспечении общественной безопасности и т. д. [1, 2]. Перспективными материалами для газовых сенсоров являются наноматериалы, поскольку они обладают хорошими газочувствительными свойствами.
В данной работе представлена новая методология разработки сенсоров с заранее заданной газочувствительностью на основе тонкопленочных систем: оксиды металлов (ОМ) + однослойные углеродные нанотрубки (ОУНТ). Предварительные эксперименты [3] показывают, что такие системы могут обладать хорошими газочувствительными свойствами.
Методология разработки состоит из экспериментальной части и части, связанной с обобщением полученных результатов с помощью искусственных нейронных сетей в виде многофакторных вычислительных моделей, которые позволят решать прямые и обратные задачи эксперимента, экстраполировать выявленные в экспериментальных данных зависимости, проводить виртуальные эксперименты.
В качестве примера применения методологии в данной работе будут рассмотрены тонкопленочные системы на основе SnO2, SnO2/ОУНТ. Данные системы интересны тем, что могут работать, как сенсоры, без источника питания, так как они не требуют нагрева. Они могут использоваться для обнаружения таких газов, как метанол, этанол.
МЕТОДЫ ИССЛЕДОВАНИЯ
С целью обобщения всех полученных экспериментальных данных (не только тех, что описаны выше) с помощью искусственных нейронных сетей (ИНС) был создан комплекс многофакторных вычислительных моделей. Основы ИНС и методы использования ИНС для моделирования экспериментальных данных представлены и описаны в [3]. Для создания моделей использовались нейронные сети, включенные в аналитическую платформу Deductor Academic 5.3 Build 0.88 (www.basegroup.ru) – бесплатная академическая версия.
РЕЗУЛЬТАТЫ
Первым шагом в получении тонкопленочной системы на основе ОМ и ОУНТ будет напыление тонкой пленки ОМ на поверхность стеклянной подложки методом терморезистивного испарения в вакуумной установке ВУП-4. Суть метода терморезистивного испарения заключается в следующем: на вольфрамовый испаритель помещаются гранулы ОМ, затем испаритель нагревают, атомы и кластеры ОМ переходят в газообразную фазу и конденсируются на поверхности стеклянной подложки в виде пленки.
Варьироваться и измеряться будут следующие величины: время напыления, температура испарителя, общая масса гранул ОМ, средний размер гранул. Регистрироваться будет толщина полученной пленки ОМ.
Вторым шагом будет нанесение на тонкую пленку ОМ пленок ОУНТ методом воздушно-капельного распыления. Будут использоваться готовый раствор с ОУНТ, гравер и печь. Готовый раствор с ОУНТ предварительно будет обрабатываться в ультразвуковой ванне для достижения однородного состава раствора, что позволит обеспечить более однородное нанесение пленки ОУНТ. Далее на гравер закрепляется подложка с напыленной на нее тонкой пленкой ОМ, гравер с пленкой приводится во вращение и помещается в муфельную печь, нагретую до 100 °С. ОУНТ на тонкую пленку ОМ наносится методом воздушно-капельного распыления из готового раствора. Вращение гравера необходимо для однородного напыления ОУНТ на пленку ОМ.
Варьироваться и измеряться будет концентрация раствора ОУНТ. Регистрироваться будет толщина полученной системы: пленка ОМ + ОУНТ.
Третьим этапом в получении тонкопленочной системы на основе ОМ будет отжиг полученных образцов в печи МИМП-ВМ.
В процессе отжига будут варьироваться и измеряться следующие величины: температура отжига, время отжига.
Четвертым этапом исследований будет измерение характеристик полученных образцов композитной системы ОМ + ОУНТ. Будут измерены топографические (профиль поверхности), электрофизические (сопротивление и удельное поверхностное сопротивление) и газочувствительные характеристики: изменение сопротивления образца во времени выдержки в парах определенного газа, время отклика, время восстановления. По профилю поверхности (будет измеряться с помощью атомно-силового микроскопа) можно будет узнать взаимное расположение на поверхности кластеров ОМ и ОУНТ (сплошность пленки, максимальная и минимальная "высота" поверхности, среднеквадратичное отклонение "высоты поверхности").
По результатам этих четырех этапов будет сформирована база данных проведенных экспериментов, включающая в себя все вышеуказанные параметры технологий синтеза систем и все измеренные характеристики созданных систем, и, с помощью искусственных нейронных сетей (ИНС) будет создана многофакторная вычислительная модель, способная выявлять все зависимости, содержащиеся в экспериментальных данных, решать прямые и обратные задачи эксперимента, экстраполировать выявленные в экспериментальных данных зависимости, проводить виртуальные эксперименты.
Создание такой ИНС – модели позволит разрабатывать технологии создания сенсоров на основе систем ОМ + ОУНТ с заранее заданной чувствительностью.
Методика создания таких ИНС-моделей подробно описана в [4].
Примеры применения ИНС-моделей для решения прямых и обратных задач эксперимента, экстраполяции выявленных в экспериментальных данных зависимостей, проведения виртуальных экспериментов приведены в [5–13].
ОБСУЖДЕНИЕ
Использовались нейронные сети прямого распространения (feed forward neural networks) c одним входным слоем (число нейронов определялось числом факторов), одним внутренним (hidden) слоем с разным числом скрытых нейронов (от 5 до 8), одним выходным слоем (с одним нейроном). Целевыми функциями моделей являлись коэффициент прозрачности, мнимая и действительная части диэлектрической проницаемости. Факторами моделей были: температурные зависимости электросопротивления (значения сопротивлений от температуры нагрева подложки 25...90 °С) с нанесенными полупроводниковыми пленками SnO2 и SnO2/ОУНТ – рис.1, 2; электрическое сопротивление для газочувствительных пленок SnO2 и SnO2/ОУНТ от времени выдержки в газе-аналите (пары этанола) – рис.3, 4.
Полученные модели представляли собой своеобразные (полученные в процессе обучения нейронных сетей) калькуляторы (вычислительные структуры) по проведенным реальным газосенсорным измерениям, позволяющие для любого набора значений факторов определять целевую функцию конкретной модели.
Отметим, что по графикам (рис.1, 2) определяется энергия активации (электрическая ширина запрещенной зоны), тип проводимости, и по данным параметрам, а также оптической ширине запрещенной зоны возможно оценивать степень легированности полупроводниковых пленок (p- и n-типов проводимости) [14]. Степень легированности соответственно влияет на газочувствительность сенсорных структур.
ВЫВОДЫ
Представлена методология разработки технологий синтеза хеморезистивных тонкопленочных систем на основе оксидов металлов и углеродных нанотрубок для получения газовых сенсоров с заданной газочувствительностью. Методология включает в себя пять этапов, четыре из которых связаны с проведением экспериментов, а пятая – с использованием искусственных нейронных сетей для создания многофакторной вычислительной модели, способной выявлять все зависимости, содержащиеся в экспериментальных данных, решать прямые и обратные задачи эксперимента, экстраполировать выявленные в экспериментальных данных зависимости, проводить виртуальные эксперименты. Данная методология может быть применена при разработке технологий синтеза тонкопленочных систем различного назначения, а также при разработке новых наноматериалов. В перспективе, такая методология может быть применена для создания "Генома наноматериалов" [5].
ИНФОРМАЦИЯ О РЕЦЕНЗИРОВАНИИ
Редакция благодарит анонимного рецензента (рецензентов) за их вклад в рецензирование этой работы, а также за размещение статей на сайте журнала и передачу их в электронном виде в НЭБ eLIBRARY.RU.
Декларация о конфликте интересов. Авторы заявляют об отсутствии конфликтов интересов или личных отношений, которые могли бы повлиять на работу, представленную в данной статье.
ЛИТЕРАТУРА / REFERENCES
Боченков В.Е., Сергеев Г.Б. Наноматериалы для сенсоров, Успехи химии, 2007, 76, 11.
Федоров Л.Ю., Ушаков А.В., Карпов И.В. Синтез и хеморезистивная чувстивтельность к водороду наноструктурированных пленок CuO, Письма в ЖТФ, 2022, 48, 14.
Тюнтеров Е.С., Смирнов А.В., Казаков В.А., Сорокин Г.М. Исследование свойств тонкопленочной системы на основе оксида олова с однослойными углеродными нанотрубками. Физическое образование в вузах, 2022, 28, 1.
Абруков В., Киселев М., Ануфриева Д., Данилов Е. Искусственные нейронные сети как методологическая основа Генома материалов. Электронный ресурс: https://www.researchgate.net/publication/361103341_Iskusstvennye_nejronnye_seti_kak_metodologiceskaa_osnova_Genoma_materialov_Artificial_neural_networks_as_a_methodological_basis_of_the_Materials_Genome, 2022.
Abrukov V.S., Karlovich E.V., Afanasyev V.N., Semenov Y.V., Abrukov S.V. Сreation of propellant combustion models by means of data mining tools. International Journal of Energetic Materials and Chemical Propulsion. 2010. Vol. 9. No. 5, PP. 385–396.
Chandrasekaran N., Bharath R.S., Oommen C., Abrukov V.S., Kiselev M.V., Anufrieva D.A., Kumar V.R.S. Development of the Multifactorial Computational Models of the Solid Propellants Combustion by Means of Data Science Methods – Phase II, 2018 Joint Propulsion Conference, AIAA Propulsion and Energy Forum, (AIAA 2018-4961), https://doi.org/10.2514/6.2018-4961.
Abrukov V., Lukin A., Anufrieva D., Oommen C., Sanalkumar V., Chandrasekaran N., Bharath R. (2019). Recent Advancements in Study of Effects of Nano Micro Additives on Solid Propellants Combustion by Means of the Data Science Methods. Defence Science Journal, 69(1), PP. 20–26. https://doi.org/10.14429/dsj.69.12948.
Chandrasekaran N., Oommen C., Sanalkumar V.R., Abrukov V.S., Anufrieva D.A. Prediction of Detonation Velocity and N-O Composition of High Energy C-H-N-O Explosives by Means of the Data Science Methods, Prop., Explos., Pyrotech., 2019, vol. 44, no. 5, pp. 579–587.
Mariappan A., Choi H., Abrukov V.S., Anufrieva D.A., Sankar V., Sanalkumar V.R. The Application of Energetic Materials Genome Approach for Development of the Solid Propellants Through the Space Debris Recycling at the Space Platform. Conference: AIAA Propulsion and Energy 2020 Forum. AIAA 2020-3898. https://doi/org/10.2514/6.2020-3898.
Abrukov V.S., Chandrasekaran N., Sanal K.V.R., Anufrieva D.A. Genome approach and data science methods for accelerated discovery of new solid propellants with desired properties, AIAA Propulsion and Energy 2020 Forum, AIAA 2020-3929, https://doi.org/10.2514/6.2020-3929.
Abrukov V.S., Oommen C., Kumar V.R.S., Chandrasekaran N., Sankar V., Kiselev M.V., Anufrieva D.A. Development of the Multifactorial Computational Models of the Solid Propellants Combustion by Means of Data Science Methods – Phase III. Technology and Investment, 2019, Proceedings of the 55th AIAA/SAE/ASEE Joint Propulsion Conference 2019, AIAA Propulsion and Energy Forum, Indianapolis, Indiana, 19–22 August 2019, AIAA 2019-3957 https://doi.org/10.2514/6.2019-3957.
Abrukov V.S., Anufrieva D.A., et al. Multifactor Computational Models of the Effect of Catalysts on the Combustion of Ballistic Powders (experimental results of Denisyuk team) Direct Tasks, Virtual Experiments and Inverse Problems. Электронный ресурс: https://www.researchgate.net/publication/344727996_Multifactor_Computational_Models_of_the_Effect_of_Catalysts_on_the_Combustion_of_Ballistic_Powders_experimental_results_of_Denisyuk_team_Direct_Tasks_Virtual_Experiments_and_Inverse_Problems
Abrukov V.S., Anufrieva D.A., et al. Comprehensive study of AP particle size and concentration effects on the burning rate of composite AP/HTPB propellants by means of neural networks. Development of the multifactor computational models. Direct tasks and inverse problems & virtual experiments. https://doi.org/10.13140/RG.2.2.19019.62242.
Pinczlits M., Spingholz G., Bauer G. Appl. Phys. Lett , 73(1998) 250.
Отзывы читателей
