采用机器学习方法的双核D形等离子体传感器，用于检测煤油掺假

《Optik》：Dual-core d-shaped plasmonic sensor for kerosene adulteration detection using machine learning approach

燃料掺假检测；双芯D型光子晶体光纤；等离子体传感器；人工神经网络；折射率灵敏度

　　

伊玛目·侯赛因·希布利|穆罕默德·阿西夫·马哈茂德|扎希德·凯萨尔|穆罕默德·塞利姆·侯赛因|阿尼尔班·萨尔卡尔|萨迪亚·苏尔塔娜|纳兹鲁尔·伊斯兰

达卡学者大学电气与电子工程系，孟加拉国1213

摘要

燃料掺假，特别是煤油与汽油的混合，对发动机、环境和经济构成威胁，因此准确检测变得至关重要。本研究介绍了一种基于双核D形光子晶体光纤（PCF）的开通道等离子体传感器，并结合人工神经网络（ANN）模型，用于检测和分类掺假的煤油。研究结果通过数学模型展示了折射率（RI）与美国石油协会（API）比重之间的关系。在煤油浓度从0%到100%的范围内，观察到折射率仅有微小变化。所提出的传感器具有$$ RIU的检测限，证实了折射率与掺假程度之间的关联。开通道布局增强了分析物与光的相互作用，实现了66,667 nm/RIU的最大波长灵敏度、644.87 RIU^-1的最大振幅灵敏度和29.14的最大Q因子。为了提高掺假程度的预测能力并减少对光学响应的依赖，使用了ANN分类器。该分类器在单独的掺假类别上达到了84.95%的最高准确率和84.51%的最高精确率。该技术具有可扩展性、成本效益高，非常适合实时燃料质量监测。未来的工作将集中在传感器的制造及其在实际操作条件下的性能评估上。

引言

表面等离子体共振（SPR）传感技术利用入射光子与金属-介质界面处的表面等离子体之间的共振相互作用，在化学、环境和生物传感应用中得到了广泛应用，因为它对折射率（RI）变化具有高灵敏度[1]、[2]、[3]。特别是基于光子晶体光纤（PCF）的SPR传感器提供了更好的光-分析物关系、更高的结构灵活性以及针对特定传感需求创建模式图的能力[4]。已经研究了多种PCF几何形状，如D形、空心芯和包层剥离设计；每种设计在制造复杂性、灵敏度和RI检测范围方面都有不同的权衡[5]。

燃料掺假，尤其是煤油与汽油的混合，是一个严重的问题，它会影响发动机性能、产生有害排放，并威胁燃料处理行业的可持续性[6]、[7]。因此，保护消费者权益、遵守法规以及确保环境安全依赖于对掺假物的准确和及时检测。由于光纤传感器具有高灵敏度潜力、抗电磁干扰能力以及紧凑性，它们正成为各种检测方法中的有前途的解决方案[8]。纯汽油的折射率通常约为1.42，而煤油的折射率略有不同，这使得基于SPR的折射率传感能够区分不同级别的掺假[9]、[10]。然而，大多数传统的PCF-SPR传感器是为高折射率液体或生物传感设计的，因此在燃料混合物中的低至中等折射率检测方面仍有改进空间[11]、[12]。此外，一些现有设计需要分析物渗透到光纤的气孔中，这可能会减慢传感速度并使实际操作复杂化[13]、[14]。

最近在传感器技术和机器学习（ML）方面的进展使得创建高性能等离子体传感系统成为可能[15]、[16]。此外，复杂的优化和学习算法提高了能源和燃料系统中的参数估计和效率，尤其是在PEM燃料电池建模方面[17]、[18]。这些进展通过展示优化和机器学习在能源相关传感中的日益集成，支持了当前的工作。虽然利用ML技术改进了仿真工作流程和预测能力，但目前的研究重点在于优化传感器设计以适应特定应用[19]。这些创新强调了ML在提高等离子体传感器设计的准确性、效率和性能方面的作用[20]、[21]。深度神经网络（DNN）彻底改变了光子系统的仿真和优化，显示出其在设备开发中的巨大潜力和可行性[22]、[23]。此外，卷积神经网络（CNN）已被用于等离子体超表面的逆向设计，在纳米光子结构的泛化能力方面优于全连接神经网络[24]。通过调整重要光学参数（如金属层厚度、分析物折射率（RI）、金属层与传感介质之间的距离以及光入射角度，研究人员同时优化了表面等离子体共振（SPR）传感器。对于每个特定应用，精确调谐是必要的，因为这些参数对确定传感器的灵敏度和选择性至关重要[25]。通过调整等离子体超材料的特殊光学特性，可以改变传感器的操作频率，使其与这些材料的共振频率相匹配，这是一种特别有前景的方法[26]。这种方法大大提高了SPR传感器的灵敏度和选择性。

尽管等离子体传感器和机器学习在化学检测、生物传感和环境监测等领域得到了广泛研究，但它们在燃料掺假检测（特别是煤油掺假检测）方面的应用潜力尚未得到充分关注。目前大多数关于基于SPR的燃料传感器的研究集中在单核或传统几何形状上，这在处理掺假引起的精确折射率变化时可能会降低灵敏度和准确性。此外，大多数研究关注的是通用应用，而不是针对煤油掺假的特定优化，尽管机器学习在优化传感器性能方面显示出巨大潜力。双核D形等离子体结构有可能改善光-物质相互作用并提高检测灵敏度，但在这一领域仍需进一步探索。为了开发一种高灵敏度、计算效率高且针对特定应用的煤油掺假检测方法，将复杂的等离子体设计与机器学习模型相结合的研究尚显不足。

本研究将先进的PCF-SPR传感器设计与基于机器学习的分类相结合，开发了一种高效且可靠的系统，用于检测汽油中的煤油掺假。该传感器支持多级掺假分类，而机器学习模型通过数据驱动的分类提高了检测准确性。这种高性能等离子体传感与数据驱动分类的结合为实时燃料掺假监测提供了实用且有效的解决方案。

部分摘录

提出的传感器设计

所提出的系统结合了双核D形PCF传感器和人工神经网络（ANN）模型，用于检测和分类汽油中的煤油掺假。模拟得到的光学和结构特征作为输入数据输入到ANN中，实现了多级掺假的准确分类。整个流程如图1所示，新型传感器的详细结构如图3(a)所示。二维（2D）结构采用了两种不同的气孔设计

数据集详情

使用COMSOL Multiphysics仿真工具（版本5.3a）从设计的等离子体传感器结构中获取数据，如图2(a)所示。生成的1116个数据样本涵盖了各种几何和光学参数。通过选择90%的样本进行训练，剩余10%进行验证，获得了0.9的训练-验证比例。分析物折射率（$$）、波长（$$）、较大和较小气孔的直径（$$）等参数

耦合特性

使用y偏振模式评估了传感器性能，因为它比正交偏振表现出更强的等离子体耦合。图3(a)和图3(b)展示了单核和双核D形PCF的横截面，相应的电场分布分别显示在图3(c)和图3(d)中。双核配置在金属-分析物界面处表现出更强的场局部化，表明了更强的模式耦合。

讨论

所提出的双核D形等离子体PCF传感器结合ANN分类器，有效解决了检测汽油中煤油掺假的问题。开通道双核设计增强了分析物与光的相互作用，从而提高了波长和振幅灵敏度，优于单核或封闭结构。其简单的几何形状也便于实际制造。

尽管所提出的方法展示了强大的光学性能和智能分类能力

结论

本研究提出了一种基于机器学习的双核D形PCF传感器，用于检测汽油中的煤油掺假。所提出的开通道几何结构增强了分析物与光的相互作用，从而实现了强大的传感性能。有限元仿真显示最大波长灵敏度为66,667 nm/RIU，振幅灵敏度为644.87 RIU^-1，Q因子为29.14，证实了该传感器适用于基于折射率的燃料掺假检测。

补充说明

CRediT作者贡献声明

伊玛目·侯赛因·希布利：撰写原始草稿、验证、概念化。穆罕默德·阿西夫·马哈茂德：撰写原始草稿、数据整理。扎希德·凯萨尔：形式分析。穆罕默德·塞利姆·侯赛因：监督。阿尼尔班·萨尔卡尔：方法论。萨迪亚·苏尔塔娜：形式分析。纳兹鲁尔·伊斯兰：监督。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。