Deep Learning-Enhanced Hybrid Sensing: Enabling Gas Identification in Extreme Vacuum Environments
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Accurately identifying gas types in the vacuum environment holds crucial significance in the fields of aerospace engineering and semiconductor manufacturing. However, current gas identification technologies, particularly in vacuum environments, are constrained by the limited detection sensitivity of conventional single sensors and their inability to effectively distinguish specific gases. To address vacuum gas identification challenges, an innovative strategy integrating hybrid Pirani/piezoresistive sensors with a Gramian Angular Field-Convolutional Neural Network (GAF-CNN) model is proposed in this work, achieving 99.14% classification accuracy and robust performance in data-scarce high-vacuum environments by converting multi-vacuum response time-series into discriminative two-dimensional (2D) images, overcoming single-sensor limitations and filling technical gaps in high-vacuum environments. Our strategy fills the gap existing in current technologies for gas identification within a vacuum environment and offers a reliable reference basis and technical support for future developments.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Deep Learning-Enhanced Hybrid Sensing: Enabling Gas Identification in Extreme Vacuum Environments
- Date Crossref
- 15/02/2026
- Éditeur
- Institute of Electrical and Electronics Engineers (IEEE)
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Xi'an Jiaotong University pays non établi dans la noticeUniversité ou école supérieure
-
Chinese Academy of Sciences pays non établi dans la noticeOrganisme public
-
Institute of Microelectronics pays non établi dans la noticeStructure de recherche
-
Zhengzhou Fruit Research Institute pays non établi dans la noticeStructure de recherche
-
Xi'an Shiyou University pays non établi dans la noticeUniversité ou école supérieure
-
School of Instrument Science and Technology State Key Laboratory for Manufacturing Systems Engineering pays non établi dans la noticeUniversité ou école supérieure
-
Zhengzhou Zhongke Integrated Circuit and System Application Research Institute pays non établi dans la noticeStructure de recherche
-
School of Computer Science pays non établi dans la noticeUniversité ou école supérieure
Xi'an Jiaotong University, Chinese Academy of Sciences et Institute of Microelectronics, avec 5 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.