《Sensors》：Hybrid Deep Learning Neural Networks for Small-Molecule Organic Amine Gas Recognition and Prediction Based on MOS Sensor Array
编辑推荐：
碳捕集、利用与封存（CCUS）是化石能源行业实现双碳目标的关键技术。以单乙醇胺（MEA）、甲基二乙醇胺（MDEA）和2-氨基-2-甲基-1-丙醇（AMP）为代表的有机胺吸收法是当前应用最广泛的二氧化碳捕集方法。若泄漏的有机胺浓度超过安全阈值，吸入后将导致严重的
碳捕集、利用与封存（CCUS）是化石能源行业实现双碳目标的关键技术。以单乙醇胺（MEA）、甲基二乙醇胺（MDEA）和2-氨基-2-甲基-1-丙醇（AMP）为代表的有机胺吸收法是当前应用最广泛的二氧化碳捕集方法。若泄漏的有机胺浓度超过安全阈值，吸入后将导致严重的呼吸道刺激甚至严重疾病。因此，对废气中有机胺浓度进行原位监测对于工艺优化、环境保护、健康预警和节能减排具有重要意义。本研究中，研究人员开发了一种金属氧化物半导体（MOS）传感器阵列，用于识别小分子有机胺的种类和浓度变化。为实现有效的气体分类和准确的浓度预测，研究人员采用实验室采集的三种胺类不同浓度的单组分气体数据和混合气体数据，通过五折交叉验证训练一维卷积神经网络（1D-CNN）和双向门控循环单元（Bi-GRU）。所提出的模型实现了0.9969 ± 0.0006的分类准确率。对于MEA浓度预测，最优决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）分别为0.9969、2.1306和1.5503。实验结果表明，所提出的方法在原位气体监测和早期危害预警方面具有广阔的实际应用前景。
碳捕集、利用与封存（CCUS）是实现双碳目标的关键技术，有机胺吸收法以单乙醇胺（MEA）、甲基二乙醇胺（MDEA）和2-氨基-2-甲基-1-丙醇（AMP）为代表，是当前CO?捕集的主流方法。然而，胺泄漏产生的废气仍含有气态、液滴和气溶胶态的残余有机胺，对生态环境和人体健康构成威胁。传统检测方法如气相色谱-质谱联用（GC-MS）具有高精度和高灵敏度，但难以满足实时、现场和便携监测需求。单一金属氧化物半导体（MOS）气体传感器存在严重的交叉敏感问题，难以区分结构和化学性质相似的目标分析物。为克服上述局限，研究人员构建了由8个商业MOS传感器组成的传感器阵列，利用其交叉敏感特性产生高维响应向量，并结合深度学习方法实现有机胺的分类识别与浓度预测。
研究人员在实验室采集了MEA、MDEA和AMP三种有机胺单组分及不同浓度配比混合气体的传感响应数据，采用一维卷积神经网络（1D-CNN）进行气体分类，采用结合自注意力机制的双向门控循环单元（Bi-GRU）进行浓度预测，通过五折交叉验证训练模型。研究结果表明，1D-CNN分类模型准确率达0.9969 ± 0.0006；Bi-GRU浓度预测模型对MEA的决定系数（R2）为0.9969，均方根误差（RMSE）为2.1306，平均绝对误差（MAE）为1.5503，对MDEA和AMP的R2分别达0.9946和0.9973。该研究的意义在于：提出了“传感器阵列+深度学习”的智能气体监测策略，实现了对小分子有机胺的高精度分类和浓度预测，为碳捕集系统洗涤塔的工艺优化和原位排放监测提供了可行的技术方案。
研究人员为开展研究采用了以下关键技术方法：一是构建包含TGS2600、TGS2602、TGS822、MQ3、MQ135和MP503共8个商业MOS传感器的传感器阵列；二是采用静态气体稀释法配制目标气体，通过CGS-8智能气敏分析系统采集传感器动态响应数据；三是设计1D-CNN分类模型，利用卷积核滑动扫描捕获传感器间的局部相关特征，结合批归一化、Dropout、全局平均池化和Softmax实现气体种类判别；四是设计基于Bi-GRU和自注意力机制的回归预测模型，引入差分特征和分位数变换预处理信号，采用多任务学习框架和Huber损失函数实现三组分浓度同步预测。
4.1 气体测试实验数据处理
研究人员采用1D-CNN作为分类模型，训练和验证曲线显示经过60轮训练后准确率趋于稳定，总损失收敛至最小稳态范围，未出现明显过拟合或梯度爆炸。混淆矩阵显示所有单组分气体及其混合气体样本均被正确分类，分类准确率达0.9969，主要混淆发生在高浓度MEA和MDEA之间，这是因为两者均为仲胺且动态响应模式相似。浓度预测结果显示，MEA、MDEA和AMP的R2分别为0.9988、0.9946和0.9973，动态跟踪曲线表明预测值与实际值保持高度一致。
4.2 消融实验
研究人员对不同模块及其组合进行了消融研究，结果表明模块越多预测性能越好。自注意力模块可提供更低的RMSE、MAE和MAPE值。随着多任务学习框架的变化，由于不同任务间参数共享，R2值持续增加，说明多任务学习框架和自注意力机制对提升预测性能具有重要作用。
4.3 不同分类方法对比
研究人员将所提出的1D-CNN方法与高斯朴素贝叶斯、AdaBoost、逻辑回归、支持向量机（SVM）等特征提取方法以及LSTM、CNN-LSTM、TCN等深度学习架构进行了对比。结果显示，所提方法平均精度为0.9969 ± 0.0006，优于最佳特征提取方法SVM（0.9950 ± 0.001），也优于LSTM（准确率0.9585）、CNN-LSTM（准确率0.9806）和TCN（准确率0.9873），在所有四项分类指标（准确率、精确率、召回率、F1分数）上均取得最高值。
4.4 器件级传感机制及其识别作用
研究所用的商业传感器依据金属氧化物半导体类型工作，目标气体分子与传感表面预吸附氧物种相互作用，导致电荷转移和耗尽层变化，进而转化为电阻变化。在温度调制下，不同分析物因分子结构、键能和反应活化能差异而表现出不同的吸附、表面反应和解吸动力学，产生独特的动态响应波形。1D-CNN结合Bi-GRU的模式识别算法正是利用这些化学根源的动态特征，其中Bi-GRU捕获与动力学差异相关的方差结构，1D-CNN基于所得特征空间进行分类。
4.5 硬件设备与现场工业案例测试结果
研究人员设计并实现了一款紧凑型智能有机胺监测设备，以STM32F103C8T6微控制器为核心控制单元，通过433 MHz LoRa射频模块实现无线双工通信，配备6英寸触摸屏显示传感器状态和温湿度值，设备尺寸为300 mm × 200 mm × 150 mm。现场工业案例测试验证了设备在实际环境中的运行可行性和现场响应能力。传感器数量消融实验表明，去除传感器通道通常会增大整体预测误差，完整的8通道阵列能提供最佳的整体预测性能。
讨论部分总结了本研究的核心贡献：1D-CNN自动特征提取方法减少了传统机器学习中手动特征工程的复杂性，消除了因操作差异引起的误差，在简化整体工作流程的同时提高了分类精度。自注意力机制通过动态分配权重增强了模型对混合气体特征分离的能力。多任务学习框架通过底层特征共享实现不同气体组分间的特征互补和误差补偿。研究结论为：成功开发了基于MOS传感器阵列的小分子有机胺监测系统，通过集成1D-CNN和Bi-GRU深度学习模型，实现了MEA、MDEA和AMP三种小分子有机胺气体及其混合物的准确分类和定量浓度预测，其中1D-CNN分类准确率达0.9969 ± 0.0006，Bi-GRU浓度预测模型对三种气体的决定系数分别达0.9969、0.9946和0.9973。未来工作将在实际CO?捕集现场部署该系统进行原位监测，通过进一步现场测试评估系统的综合性能和稳定性，为其大规模工程应用奠定基础。
