• MScBSc
  • Python, βασικές γνώσεις βαθιάς μάθησης
  • Data management, Keras/Tensorflow/pytorch
  • Iraklis - Angelos Klampanos
  • iaklampanos [at] iit.demokritos.gr
  • SKEL | The AI Lab

Μία σειρά από μεταλλικά οξείδια (ΜΟΧ) μπορούν να χρησιμοποιηθούν ως υλικά ανίχνευσης αερίων βάσει απλής μέτρησης της αλλαγής αντίστασης. Όταν τα υλικά βρίσκονται στο περιβάλλον αυτών των αερίων, η αντίσταση του μεταλλικού οξειδίου του ημιαγωγού αυξάνεται ή μειώνεται ανάλογα με τους τύπους των υλικών, τους τύπων των αερίων-στόχων, τη θερμοκρασία όπως και τον χρόνο έκθεσής τους στα αέρια. Οι διαδικασίες αυτές είναι σε κάποιο βαθμό αντιστρεπτές. Όταν δηλαδή απομακρυνθεί το υπο ανίχνευση αέριο (ή μίγμα αερίων) η αντίσταση του οξειδίου επανέρχεται περίπου στα πρώτα της επίπεδα. Επίσης, η μεταβολή της αντίστασης δεν είναι στιγμιαία αλλά σταδιακή και αλλάζει με το είδος των αερίων που ανιχνεύονται και τον χρόνο χρήσης των αισθητήρων. Τέλος, αν η αέρια φάση που προκαλεί τη μεταβολή της αντίστασης αποτελείται από πολλά αέρια (είναι δηλ. ένα μίγμα αερίων) οι αισθητήρες δεν μπορούν να διακρίνουν τη σύστασή του. Για να λυθεί το παραπάνω πρόβλημα χρησιμοποιούνται συστοιχίες (arrays) διαφορετικών αισθητήρων (με διαφορετική απόκριση ο καθένας) και αναλύεται το σύνολο των δεδομένων που παρέχεται από όλη τη συστοιχία.

 

Η εργασία θα διερευνήσει τη δυνατότητα αναγνώρισης και ταξινόμησης τύπων αερίων βάσει δεδομένων χρονοσειρών αντίστασης, αξιοποιώντας μεθόδους αιχμής στη μηχανική και βαθιά μάθηση. Θα καλύψει περιπτώσεις τόσο για μεμονωμένα αέρια σε μεμονωμένους ανιχνευτές, όσο και για μίγματα αερίων σε συστοιχίες ανιχνευτών.

 

Η επίβλεψη της εργασίας θα γίνει από κοινού με το Ινστιτούτο Νανοεπιστήμης και Νανοτεχνολογίας.

Skip to content