Des chercheurs développent un algorithme de réseau neuronal pour améliorer la technologie de détection de gaz

Des chercheurs développent un algorithme de réseau neuronal pour améliorer la technologie de détection de gaz

La technologie de spectroscopie d'absorption laser à diode accordable (TDLAS) présente un potentiel considérable pour la détection des gaz à effet de serre, en raison de ses avantages en termes de mesures sans contact et en temps réel. Cependant, le goulot d'étranglement technique de l'interférence croisée dans les spectres d'absorption des gaz a considérablement limité le développement et l'application de cette technique dans la mesure simultanée de gaz à plusieurs composants.

Un algorithme de découplage basé sur un réseau neuronal pour les spectres aliasés offre une solution peu coûteuse et peu complexe à ce défi. Récemment, une équipe de recherche dirigée par le professeur Gao Xiaoming des Instituts de sciences physiques de Hefei de l'Académie chinoise des sciences a développé un algorithme de réseau neuronal intelligent qui s'attaque efficacement au problème de longue date de l'interférence croisée dans les spectres d'absorption de gaz.

« Cet algorithme de réseau neuronal a rendu la détection simultanée de plusieurs gaz beaucoup plus simple et plus fiable », a déclaré le professeur Gao. Les résultats de la recherche ont été publiés dans Capteurs ACS.

Dans leur étude, les chercheurs ont déterminé la profondeur de modulation optimale dans des conditions de laboratoire contrôlées et ont généré un grand ensemble de données de spectres aliasés pour entraîner le réseau neuronal. Cet entraînement intensif a amélioré la capacité du modèle à généraliser dans différentes conditions. Ils ont également recueilli des données expérimentales pour affiner le modèle et valider son efficacité.

« La beauté de cette nouvelle méthode réside dans sa simplicité », a déclaré Gao. « Elle ne nécessite aucun matériel supplémentaire. »

En utilisant un algorithme de découplage basé sur un réseau neuronal, l'équipe a pu résoudre les interférences spectrales au sein du système existant, réduisant ainsi à la fois la complexité et le coût de la conception. L'algorithme a non seulement découplé les signaux de gaz multicomposants avec une grande précision et une grande stabilité, mais s'est également bien adapté aux environnements complexes, grâce à l'apprentissage par transfert. Il a même permis la détection simultanée de plusieurs gaz à l'aide d'un seul laser, ce qui a rendu le processus plus efficace.

Cette étude a mis en évidence le fort potentiel des réseaux neuronaux pour séparer les spectres aliasés, fournissant des informations précieuses pour la mise en œuvre de systèmes de détection de gaz TDLAS dans des environnements difficiles.