Development of gas composition sensing based on acoustic attenuation
Master thesis
View/ Open
Date
2021Metadata
Show full item recordCollections
- Master's theses (RealTek) [1861]
Abstract
Usage of sensing technology has increased rapidly for the last decade. Measurements of gas concentrations can are used in a wide variety of areas like medical applications, monitoring in wastewater plants and air quality monitoring. The use of gas sensors is critical to plan and perform regular maintenance. It will in the near future provide a basis for improved predictive maintenance that uses data to detect anomalies and
possible defects in equipment.
Currently, the gas sensor market is dominated by expensive optical or electrochemical sensors with low selectivity. Therefore, a focus has been on developing new cost-efficient technology that can counter the current limitations of the existing sensing technologies.
Better understanding of the physical principles behind attenuation of sound waves allows new sensing technology to be developed from traditional piezoelectric ultrasonic transducers. Attenuation of ultrasonic signals cause reduced kinetic energy as the sound wave travels in time. This is caused by friction, heat conduction, diffusion, and acoustic molecular relaxation for some gas mixtures in a certain specific frequency range.
Recent development in understanding of the acoustic molecular relaxation allows improved theoretical models for predicting acoustic attenuation and speed of sound in a wide variety of gas mixtures. In conjunction with the recent developments the interest in solving the reverse problem has increased which consists of using the attenuation of sound waves to predict gas compositions. This would allow a new generation of inexpensive, simple and robust gas sensing devices to be developed.
This thesis describes a method for determining the gas concentration based on acoustic attenuation. This is achieved using ultrasonic transducers operating at different frequencies. Machine learning is used on the transducer signals to detect and predict the gas concentration. In order to achieve this the following objectives for this work has been set:
• Research and review of theoretical work - investigation of the nonlinear behavior of the acoustic attenuation in mixtures of increasing CO2 concentration.
• Technical review of existing acoustic attenuation models.
• Development of a theoretical method for predicting attenuation and speed of sound in gas mixtures.
• Obtain experimental attenuation data for nitrogen and carbon dioxide mixtures.
• Create a method for calculating attenuation and speed of the ultrasonic signals.
• Development and evaluation of predictive models using machine learning to predict the composition of carbon dioxide in nitrogen based on experimental data.
• Evaluate the algorithms and suggest a final model used for composition detection.
• Suggest further work to improve the concept.
Using a self developed experimental test rig fitted with off- the shelf transducers, and a range of pre-mixed N2—CO2 gas mixtures a set of ultrasound burst signals is created and measured. These measurements were verified using an identified theoretical model based on recent work on acoustic relaxation effects in attenuation of ultrasonic signals. Based on experimental data, machine learning was used to provide a final model which predicts the concentration of carbon dioxide. It performs with an average error of 0.7% (absolute CO2 mole fraction), the error is expected to be below 0.5% in mixtures with less than 20% carbon dioxide. This is an improvement compared to recent studies where the applied theoretical models gave errors above 2.4%.
The method developed in this work is transferable to applications like moderate carbon dioxide monitoring in exposed areas like mines or similar where high carbon dioxide levels might cause direct harm. In addition, it represents a possible method of reducing the complexity of the current sensor designs by focusing on intelligent signal processing in combination with simple transducers.
The results in this thesis show that further work on the concept could enable composition detection in mixtures of many gas components. Bruk av sensorteknologi har økt raskt det siste tiåret. Måling av gasskonsentrasjoner blir brukt i mange forskjellige områder som medisinske applikasjoner, overvåking av avløpsanlegg og luftkvalitetsovervåking. Gassensorer er avgjørende for å planlegge og utføre regelmessig vedlikehold, og vil i nær fremtid gi grunnlag for forbedret prediktivt vedlikehold som bruker data for å oppdage avvik og mulige feil i utstyr.
For tiden domineres markedet for gassensorer av dyre optiske eller elektrokjemiske sensorer med lav selektivitet. Derfor har det vært et økt fokus på å utvikle ny og kostnadseffektiv teknologi som kan overgå begrensningene med dagens eksisterende sensorteknologier.
Bedre forståelse av de fysiske prinsippene bak demping av lydbølger gjør det mulig for ny sensorteknologi å utvikles fra tradisjonelle piezoelektriske ultralydtransdusere. Demping av ultralydsignaler er forårsaket av friksjon, varmeledning, diffusjon, og akustisk molekylær relaksasjon for noen gassblandinger i bestemte frekvenser.
Nylig utvikling i forståelsen av akustisk relaksasjon tillater bedre teoretiske modeller for å forutsi akustisk demping og hastigheten til lydbølger i et bredt spekterav gassblandinger. I forbindelse med denne utviklingen har interessen for å løse det omvendte problemet økt, som består av å bruke dempning av lydbølger for å forutsi gassammensetninger. Dette vil tillate utvikling av en ny generasjon billige, enkle ogrobuste gassensorer.
Denne oppgaven beskriver en metode for å bestemme gasskonsentrasjoner basert på demping av lydbølger. Det oppnås ved bruk av ultralydtransdusere som opererer med forskjellige frekvenser. Maskinlæring blir deretter brukt på data fra transduserne for å oppdage og forutsi gasskonsentrasjoner. For å oppnå dette er følgende mål for arbeidet satt:
• Gjennomgang av teoretisk bakgrunn - forståelse av ulineariteten ved lyddemping i blandinger med økende konsentrasjon av CO2.
• Gjennomgang av eksisterende modeller for å predikere akustisk demping.
• Utvikling av en modell for å predikere akustisk demping og lydens hastighet i gitte gassblandinger.
• Skaffe eksperimentell data for gassblandinger av nitrogen og karbondioksid.
• Utvikle en metode for å beregne demping og hastigheten til ultralydsignalene.
• Utvikle og evaluere prediktive modeller som bruker maskinlæring til å forutsi konsentrasjonen av karbondioksid i gassblandingene basert på den eksperimentelle dataen.
• Evaluere algoritmene og foreslå en endelig modell for å detektere gasskonsentrasjon.
• Foreslå videre arbeid for å forbedre konseptet.
Ved hjelp av en egenutviklet eksperimentell testrigg utstyrt med ultralydtransdusere og en rekke forhåndsblandede gassblandinger av nitrogen og karbondioksid ble et sett med eksperimentelle ultralydsignaler generert og målt. Disse målingene ble verifisert ved hjelp av en teoretisk modell basert på nylig arbeid med akustisk relaksasjon og demping av lyd. Basert på den eksperimentelle dataen ble maskinlæring brukt til å gi en modell som predikerer konsentrasjonen av karbondioksid i gassb landingene. Modellen har en gjennomsnittlig feil på 0,7% absolutt CO2 molfraksjon, feilen forventes å være under 0,5% i blandinger med mindre enn 20% karbondioksid. Dette er en forbedring sammenlignet med nyere studier der de anvendte teoretiskemodellene ga snittfeil på over 2,4%.
Metoden utviklet i dette arbeidet kan overføres til applikasjoner som moderat karbondioksidovervåking i eksponerte områder som gruver eller lignende der høye karbondioksidnivåer kan forårsake direkte skade. I tillegg representerer det en mulig metode for å redusere kompleksiteten til eksisterende sensorsystemer ved å fokusere på intelligent signalbehandling i kombinasjon med enkle transdusere.
Resultatene i dette arbeidet viser at videre arbeid med konseptet kan muliggjøre
gassdeteksjon i et bredt spekter av gasser.