Impedance-Assisted Multivariate Analysis Technique for Enhanced Gas Sensing with 2D Dichalcogenides
Prakasha, Bharath Somalapura (Institut Català de Nanociència i Nanotecnologia)
Xiao, Peng (Institut Català de Nanociència i Nanotecnologia)
Esplandiu Egido, Maria José (Institut Català de Nanociència i Nanotecnologia)
Yang, Jia Qi (Institut Català de Nanociència i Nanotecnologia)
Navarro Urrios, Daniel (Universitat de Barcelona. Departament d'Enginyeria Electrònica i Biomèdica)
Rodríguez-Viejo, Javier (Universitat Autònoma de Barcelona. Departament de Física)
Sledzinska, Marianna (Institut Català de Nanociència i Nanotecnologia)

Data:	2025
Resum:	Semiconducting two-dimensional (2D) materials have emerged as promising candidates for gas sensors due to their exceptional sensitivity and rapid response/recovery times. However, these sensors often face significant challenges, including baseline drift, nonlinearity, cross-sensitivity to multiple gases, and early response saturation, all of which compromise their accuracy and reliability. Conventional resistive sensing approaches, which rely on a single output signal for gas concentration estimation, fail to capture the complex interactions inherent to 2D materials, such as charge carrier generation, transport, and polarization. This work addresses these limitations by utilizing impedance measurements across multiple frequencies for MoS2- and WS2-based sensors, coupled with machine learning-assisted data processing for accurate relative humidity (RH) quantification. By leveraging the impedance domain, we effectively mitigated baseline drift over extended periods and identified mutually exclusive phase behavior for the WS2-based sensor. The MoS2-based sensor exhibited long-term stability, motivating the application of a neural network-based multilayer perceptron (MLP), one-dimensional convolutional network (1D-CNN), and long short-term memory (LSTM) models to interpret multifrequency impedance data for precise RH measurements. Our approach enabled robust humidity sensing over a wide range (0-90%) with significantly faster response and recovery times than commercial sensors. Additionally, the neural network-assisted WS2 sensor effectively minimized cross-sensitivity between humidity and CO2. This work showcases the potential of multifrequency impedance-based sensing, combined with machine learning, to overcome the traditional limitations of 2D material-based sensors, offering a pathway toward more reliable, stable, and precise gas-sensing technologies.
Ajuts:	Agencia Estatal de Investigación CEX2021-001214-S Agencia Estatal de Investigación TED2021-132040B-C21 Agencia Estatal de Investigación TED2021-132040B-C22 Agencia Estatal de Investigación TED2021-129898B-C21 Agencia Estatal de Investigación PID2021-124568NB-I00 Agencia Estatal de Investigación PID2023-152783OB-I00 Agència de Gestió d'Ajuts Universitaris i de Recerca 2021/SGR-00644
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Llengua:	Anglès
Document:	Article ; recerca ; Versió publicada
Matèria:	Humidity sensing ; Impedance ; Multivariate analysis ; Neural networks ; TMDs
Publicat a:	ACS Sensors, Vol. 10, Issue 4 (April 2025) , p. 2712-2720, ISSN 2379-3694

DOI: 10.1021/acssensors.4c03325
PMID: 40163814

9 p, 4.9 MB

El registre apareix a les col·leccions:
Documents de recerca > Documents dels grups de recerca de la UAB > Centres i grups de recerca (producció científica) > Ciències > Institut Català de Nanociència i Nanotecnologia (ICN2)
Articles > Articles de recerca
Articles > Articles publicats