机器学习增强的花状Nb2O5/Co3O4异质结化学电阻式传感器用于室温正丁醇气体的识别与检测

《Journal of Environmental Chemical Engineering》：Machine Learning-Enhanced Chemiresistive Sensors made with Flower-like Nb2O5/Co3O4 Heterojunction for Discrimination and Detection of n-butanol Gas Operating at Room Temperature

　　

正丁醇因工业生产中的泄漏与排放风险，对职业健康与工业安全构成显著威胁。研究人员采用水热法成功合成了花状Nb2O5/Co3O4复合材料，系统探究了Co3O4掺杂比例对该材料结构与气敏性能的影响。表征结果显示，该复合材料具备110.3106 m2/g的高比表面积与丰富的介孔结构；两相界面构建的异质结促进了界面电荷转移，提升了氧空位含量。气敏测试表明，具有最优掺杂比例的N/C-7传感器在室温下对100 ppm正丁醇响应值达20.2，同时表现出良好的选择性与长期稳定性。研究人员引入机器学习分类模型对五类气体进行区分，其中卷积神经网络（CNN）对多种气体的识别准确率达95.25%，可实现正丁醇与干扰气体的精准判别。最终，基于该传感器构建的原型检测系统实现了正丁醇的实时监测与声光报警，验证了其在实际应用中的可靠性。

该研究针对正丁醇在工业场景中广泛存在且泄漏风险高、危害大的现实需求，聚焦传统金属氧化物半导体（MOS）气体传感器需高温工作、功耗大、选择性不足等问题，以开发室温高性能正丁醇检测技术为目标，开展了花状Nb₂O₅/Co₃O₄异质结传感器的设计与性能验证研究。研究由河南工业大学超硬磨料及磨削装备河南省重点实验室团队完成，成果发表于《Journal of Environmental Chemical Engineering》。

研究人员主要采用水热法制备系列Nb₂O₅/Co₃O₄复合材料，通过X射线衍射（XRD）、比表面积分析与微观形貌表征明确材料晶体结构与物理特性；搭建室温气敏测试平台，系统评估不同掺杂比例传感器对正丁醇及干扰气体的响应性能；引入卷积神经网络（CNN）等机器学习模型构建气体分类算法，结合微控制器单元开发原型检测系统，实现从材料设计到实际应用的完整验证。

材料表征结果显示，复合材料均呈现良好结晶性，Nb₂O₅与Co₃O₄的特征衍射峰分别对应标准卡片PDF#28-0317与PDF#42-1467，证实异质结成功构建；材料比表面积达110.3106 m²/g，丰富的介孔结构提供了充足气体吸附位点；界面异质结诱导的内建电场促进了电荷转移，同步提升了表面氧空位浓度，为气敏反应奠定结构基础。

气敏性能测试结果表明，Co₃O₄掺杂比例显著影响传感器响应：N/C-7样品（Co₃O₄质量分数7%）在室温下对100 ppm正丁醇的响应值达20.2，较纯相Nb₂O₅提升3倍以上；该传感器对正丁醇的选择性优于乙醇、丙酮、甲苯与甲醛等常见挥发性有机物（VOCs），且在30天连续测试中响应衰减小于5%，表现出优异的长期稳定性。

机器学习分类结果显示，研究人员将传感器对不同气体的响应曲线提取为特征向量输入模型，CNN模型的识别准确率达95.25%，显著高于支持向量机（SVM）与随机森林（RF）模型，可有效区分正丁醇与结构相似的干扰气体，解决了单一传感器选择性不足的瓶颈。

原型系统验证结果证实，集成N/C-7传感器的检测装置可实现正丁醇浓度实时监测，当浓度超过安全阈值时触发声光报警，响应延迟低于2秒，验证了该技术在实际工业场景中的适用性。

研究结论指出，Nb₂O₅/Co₃O₄异质结通过协同提升比表面积与界面电荷传输效率，突破了传统MOS传感器室温性能受限的难题；机器学习算法的引入进一步强化了气体识别能力，为挥发性有机物检测提供了“材料-算法-器件”一体化的解决方案，在化工安全监测与职业健康防护领域具有重要应用价值。