细菌纤维素模板法制备p-Co3O4/n-ZnO复合材料及气敏特性研究

本文利用细菌纤维素为模板制备了p型Co₃O₄修饰的n型ZnO纳米复合材料，通过XRD、SEM、HRTEM、EDS和XPS等手段对纳米复合材料的组成、形貌与元素分布进行了相应的表征. 相对于纯ZnO来说，p-Co₃O₄/n-ZnO复合材料对有机挥发性气体响应的灵敏度有明显提升，例如复合材料对100 ppm丙酮的灵敏度为63.7(最佳温度为180 °C)，是纯ZnO(最佳温度为240 °C，灵敏度为2.3)的26倍. 从材料表面氧空位(缺陷控制)、Co₃O₄的催化活性以及p-n异质结三个方面解释了复合材料对VOCs的高响应特性. 同时细菌纤维素可以作为模板设计功能化的异质结复合物用于VOCs的测试或者其他应用.     

VOCs分子的半导体型传感器识别检测研究进展

具有体积小、功耗低、灵敏度高、硅工艺兼容性好等优点的金属氧化物半导体(MOS)气体传感器现已广泛地应用于军事、科研和国民经济的各个领域。然而MOS传感器的低选择性阻碍了其在物联网(IoT)时代的应用前景。为此,本文综述了解决MOS传感器选择性的研究进展,主要介绍了敏感材料性能提升、电子鼻和热调制三种改善MOS传感器选择性的技术方法,阐述了三种方法目前所存在的问题及其未来的发展趋势。同时,本文还对比介绍了机器嗅觉领域主流的主成分分析(PCA)、线性判别分析(LDA)和神经网络(NN)模式识别/机器学习算法。最后,本综述展望了具有数据降维、特征提取和鲁棒性识别分类性能的卷积神经网络(CNN)深度学习算法在气体识别领域的应用前景。基于敏感材料性能的提升、多种调制手段与阵列技术的结合以及人工智能(AI)领域深度学习算法的最新进展,将会极大地增强非选择性MOS传感器的挥发性有机化合物(VOCs)分子识别能力。