FenixEdu™

Dissertação

Machine learning-based detection of volatile organic compounds in an electronic nose EVALUATED

Detalhes: Melhorar os métodos de deteção e classificação de compostos orgânicos voláteis (VOCs) exige abordagens inovadoras que combinam técnicas de aprendizagem automática com tecnologias avançadas de nariz eletrónico, tal como géis híbridos com cristais líquidos. O principal objetivo deste trabalho é classificar com precisão vários VOCs, implementando modelos baseados em CNNs. A abordagem proposta sugere um dataset com vídeos das interações dos VOCs com o gel híbrido em condições controladas. O dataset, que inclui onze VOCs, foi estruturado em cinco ciclos de exposição do gel ao VOC e de recuperação para a morfologia original. Cada ciclo foi subdividido em 26 frames, e cada frame segmentado em nove patches. O primeiro modelo proposto é uma arquitetura CNN típica, enquanto o segundo modelo baseia-se em RNNs com uma camada LSTM para introduzir a análise temporal. Os resultados demonstraram a eficácia de ambos os modelos, com o primeiro modelo CNN a atingir uma precisão de 94,76% na classificação ao nível dos frames e o modelo LSTM a alcançar uma precisão de 98,99% na classificação das sequências dos patches. Foi também implementado Cross Validation para validar a robustez dos modelos. Estes resultados indicam a importância da dimensão temporal na deteção de VOCs, melhorando significativamente o desempenho do modelo na classificação. O estudo conclui que os modelos de aprendizagem automática podem melhorar substancialmente a precisão e adaptabilidade dos narizes electrónicos, especialmente em aplicações que exigem a deteção de VOCs complexos.
Keywords: Composto orgânico volátil, Gel híbrido, Cristal liquido, CNN, LSTM

Discussão: dezembro 6, 2024, 10:0

Documentos da dissertação ainda não disponíveis publicamente