基于脉冲加热与AI处理的石墨烯气体传感器：超低功耗氨气检测与湿度鲁棒性突破

本文介绍了一种结合脉冲加热技术与人工智能（AI）处理的石墨烯基气体传感器，通过功能化五氧化二钒（V2O5）和铜锰氧化物（CuMn2O4）超薄层，实现了对氨气（NH3）的高灵敏度、快速响应和超低功耗（13–520 μW）检测。研究利用离散傅里叶变换（DFT）提取瞬态电导特征，并借助紧凑神经网络（ANN）在10–20秒内准确预测NH3浓度（平均绝对误差低于0.1 ppm），且无需湿度（RH）传感器即可抵抗环境湿度干扰。该传感器在环境监测、工业安全及呼气疾病标志物检测中具有重要应用前景。

　　

引言

气体传感器在环境监测、工业安全及健康诊断中具有关键作用，尤其要求高灵敏度、快速响应和低功耗。本研究聚焦于氨气（NH₃）的检测，其既是工业有害气体，也是呼气中的生物标志物。传统传感器在功耗与响应速度之间存在矛盾，而脉冲加热策略通过间歇式温度调制有效解决了这一问题。近年来，二维材料如石墨烯（Gr）因其高比表面积和优异电学特性成为传感器研究的热点。本研究通过在石墨烯表面沉积超薄金属氧化物（MOX）层，构建异质结构，其中MOX作为气体受体，石墨烯作为灵敏的 transducer。

实验方法

传感器制备基于微机电系统（MEMS）微加热器平台，其面积约为0.5 mm2，可加热至400°C且响应时间仅20 ms。采用湿法转移将化学气相沉积（CVD）石墨烯从铜箔转移至MEMS基底，并通过脉冲激光沉积（PLD）技术在石墨烯上沉积V₂O₅或CuMn₂O₄功能层，沉积过程中使用不同激光能量密度（2.7–5.0 J cm?2）和脉冲数（120–4000），以调控氧化物厚度和石墨烯缺陷密度。通过拉曼光谱、X射线光电子能谱（XPS）、扫描电子显微镜（SEM）、X射线荧光（XRF）和椭圆偏振术对材料进行表征。电导测量通过定制数据采集板完成，以50 ms间隔记录传感器信号，并结合湿度传感器（SHT40）进行环境监控。气体混合系统通过质量流量控制器精确控制NH₃浓度（4–32 ppm）和相对湿度（RH 0–70%）。

机器学习部分采用Python和Keras库构建人工神经网络（ANN）。特征提取通过离散傅里叶变换（DFT）实现，将每个加热周期的198个数据点转换为9个低频傅里叶分量，作为ANN输入。网络结构为3层隐藏层（每层80个神经元），使用双曲正切（tanh）激活函数，并通过早期停止策略优化训练。

结果与讨论

材料表征显示，PLD过程引入了石墨烯缺陷（D和D′拉曼峰），缺陷密度随激光能量密度增加而升高（0.4–9.5×1012 cm?2）。XPS证实V₂O₅涂层中以V??为主，而Cu-Mn-O涂层中Cu以+1价态（Cu?O）为主，Mn以+3价态（Mn?O?）为主。SEM图像显示氧化物层为均匀非晶薄膜，厚度约0.5–1.1 nm。传感器在脉冲加热模式下（周期10 s，脉宽0.05–1 s，温度115–205°C）表现出超低功耗（13–520 μW）。NH₃响应通过瞬态电导幅值定义（R_P = ΔG/ΔG?），灵敏度随温度升高而增加，在200°C时达4% ppm?1。脉冲缩短至50 ms时，响应仅降低30–40%，但功耗显著减少。湿度实验表明，传感器电导随RH增加而下降，但NH₃响应幅值反而升高，且动力学加快，这可能与表面羟基和水层形成有关。

机器学习分析显示，DFT特征提取结合ANN可在10–20秒内预测NH₃浓度，测试集平均绝对误差（MAE）低于0.1 ppm（低浓度下）或1%（总体）。在恒定湿度（40% RH）下，双传感器（D1 + D2）协同使MAE达0.01 ppm；在变化湿度（10–70% RH）下，MAE为0.37 ppm，且无需湿度传感器输入。ANN预测在吸附和解吸早期阶段即可准确输出浓度，有效将响应时间缩短至1–2个加热周期（10–20 s）。研究还发现，ReLU激活函数性能较差，而tanh函数更适用于本任务。

结论

本研究成功开发了基于石墨烯-MOX异质结构的低功耗气体传感器，通过脉冲加热和机器学习实现了对NH₃的高精度、快速检测。该方法无需额外湿度补偿，且适用于便携式和可穿戴设备。未来可扩展至其他气体检测，并为智能传感网络提供技术基础。