Kutatási munkám során piezoelektromos érzékelõrendszer fejlesztését és levegõben lévõ illékony szerves vegyületek minõségi azonosítását tûztem ki célul. Az anyagok vizsgálatára 9 MHz-es referencia és mérõ kvarckristállyokkal érzékelõ berendezést készítettem. A piezoelektromos kvarc kristályokat a gázkromatográfiában is használatos állófázisokkal vontam be és egy négy kristályból álló érzékelõrendszert készítettem. A négy kémiai érzékelõvel azonosítottam a szerves vegyületeket. Az elsõ kristályra OV1-et, a másodikra OV275-öt, a harmadikra ASI50-et, a negyedikre polifenil-étert vittem fel. A bevont felület egy oldalon 0,2 cm², a kvarckristály frekvenciacsökkenése 8 kHz volt a 3-3 ml-ben található 17,2 mg anyag tömegnövekedésére. Relatív mérést végeztem és az érzékelõ jelének alapvonalához képest vizsgáltam a mérõkristály frekvenciájának változását. Vivõgázként 99.999 %-os tisztaságú nitrogént használtam, melybõl a víznyomokat Nafion membránszárítóval távolítottam el. A vegyületeket gázfecskendõvel gumi szeptumon keresztül injektáltam be. A vivõgáz áramát 20 l/h-nak választottam, és digitális áramlásmérõvel mértem. A hõmérsékletet termosztáttal 40 ± 0.1 ^oC-on tartottam. A mérõrendszer elemeinek összekötésére vastagfalú szilikon csövet, szigetelésére teflon lemezt alkalmaztam, hogy elkerüljem a mérendõ anyag veszteségét illetve szennyezõdését a vezetékek falán keresztül. Az adatfeldolgozásra saját építésû berendezés szolgált, amely a referenciafrekvenciából kivonta a bevonattal ellátott kvarckristály frekvenciáját. A különbségi frekvenciát egy PENTIUM 100 MHz alapú, saját összeszerelésû számítógéppel e célra fejlesztett mérõkártyával és programmal jegyeztem fel. Az oldószertartó küvetta hõmérsékletét 3½ digites hõmérõ modullal mértem. A detektorok frekvenciaváltozását rögzítettem, majd a vegyületek azonosítására, az adatkezelésre kemometriai módszereket használtam.

Mérõrendszert állítottam össze egy érzékelõ anyaggal bevont és bevonat nélküli, referencia kvarc kristályból. A frekvenciaváltozás rögzítésére számítógépes programot írtam. Egyensúlyi (statikus) méréseket végeztem és megállapítottam, hogy a detektor cellájában a teljes egyensúly 90 sec alatt állt be. A kifejlesztett eljárást kromatográfiás módszerrel elleniztem és dinamikus méréseket végeztem. Azt tapasztaltam, hogy a különbözõ anyagok analitikai mérõgörbéje eltérõ meredekségû volt. A kapott adatokból megállapítottam, hogy a jel nagysága a befecskendezett anyagmennyiséggel egyenesen arányos volt, az érzékenység az anyagok és az érzékelõ anyag minõsége szerint változott. A különbözõ anyagokra kapott kisérleti eredmények vizsgálatára faktoranalízist alkalmaztam. Három fõkomponenst kerestem és az érzékelõ anyagokra jellemzõ pontokat hármas vektortérben ábrázoltam. Megállapítottam, hogy az eltérõ polaritású állófázisok a faktorok terében jelentõsen távol estek egymástól, a különbség szignifikáns volt. A meghatározással a bevonóanyag kiválasztásának helyességét igazoltam. Négy piezoelektromos kvarckristályból álló detektorrendszert készítettem illékony szerves vegyületek azonosítására. A mintafelismerõ algoritmusra számítógépes programot fejlesztettem ki. A mintafelismerõ algoritmus a jelek feldolgozásával megbízhatóan azonosította a kiválasztott vegyületeket. Számítógéppel vezérelt automata befecskendezõ berendezést építettem a detektorrendszer mintabeviteli ágába. A berendezéssel a mintabevitel megbízhatóbbá és reprodukálhatóbbá vált. A befecskendezett mintatérfogatok nagyságát kromatográfiás módszerrel ellenõriztem.

A detektorrendszer jeleinek feldolgozására mesterséges neuronhálózat alkalmaztam. A hálózat mûködéséhez szükséges optimális feltételek megtalálása után a neuronhálózatot négy szerves vegyület azonosítására alkalmaztam. A kidolgozott módszerrel az anyagok megbízhatóan osztályba sorolhatók. A program a nem tanított vegyületeket nem besorolhatónak, ismeretlennek tüntette fel. A kidolgozott módszer kémiai vagy biológiai érzékelõrendszerek jeleinek feldolgozására alkalmas.

Piezoelectric sensor array using four quartz crystals was developed for identification of volatile organic compounds. Four AT-cut quartz crystals with 9 MHz fundamental frequencies were used (GAMMA Co., Hungary). The crystals were arranged in an array and coated by gas chromatographic stationary phases, like OV1 (Poly-dimethyl siloxane, SUPELCO), OV275 (Polycyano-akryl organosilane, SUPELCO), ASI50 (Poly-methyl-phenil siloxane, Applied Science Laboratories Inc.), and polyphenil-ether (Carlo Erba), respectively. The appropriate stationary phases were found by experimental and theoretical way based upon a principal component analysis [3]. The thin film of the coating was formed by solvent evaporation. The coated surface was 0.2 cm² and the frequency of the quartz crystals decreased usually about 8 kHz. Nitrogen (T 45, Messer Griesheim, Hungary) was used as carrier gas and 20 L/h mass flow was maintained by a GFM17 3½ digit flow controller (AALBORG). The nitrogen contained 30 ppm water vapour and it was dried by a CRS 202268 packed GC column (Chromatography Research

Supplies, USA) to remove the traces of water. The analyte was injected by a syringe. A NAFION drying unit (DM-060-24, Perma Pure Inc., USA) was set into the carrier line for declining the interference of the trace amount of moisture. Data handling card was built and a computer program was developed to measure the frequency changes. The computer program compared the measured frequency to that of the clock of the computer. The detailed set-up of the system was published in [2].

Factor analysis was performed to characterise the selectivity of the coating materials. A computer controlled calibration device suitable for generating of vapour of organic compounds was constructed and connected to the piezoelectric chemical sensor array. The sensor array was connected to an artificial neural network (ANN). The optimum structure of neural network can be determined by trial and error method. Four different structures were tried with 3, 4, 6, and 8 neurones in the hidden layer. It was found that, with increasing number of the neurones in the middle layer, the error of the estimation did not decrease considerably. Instead of further declining the error, calculation of the optimal computing parameters (h , m and b ) proved to be better technique to reach the appropriate computing performance.

The speed of the weight changing was determined by the learning rate (h ). This factor was applied to control the effect of the new weight factor. However, the momentum term (m ) was utilized to determine the interference of the previous weight factor on the new weight value. Theoretically, the error will be decreased during the analysis. Naturally, sometimes disturbances of the algorithm could be accomplished and oscillation of the error could be occurred. The neural network with 3 hidden neurones was applied, and the optimum h and m values were searched. The higher the learning rate, the shorter the time of teaching. The optimum learning rate (h =0.15) and the momentum term (m =0.9) were successfully determined by experiments.

The optimum values of primary weight factors and the sigmoidal parameter (b=1) were also determined. After the teaching process of the ANN, the network was used for identification of taught analytes (acetone, benzene, chloroform, pentane). Mixtures of organic compounds were also analysed and the ANN method proved to be a reliable way to identify the volatile compounds.

Publications

1. Barkó Gy. és Hlavay J., "Piezoelektromos érzékelõrendszer és neurális hálózat összekapcsolása". Magyar Kémiai Folyóirat, 101. 271. (1995)

2. Gy. Barkó, B. Papp and J. Hlavay, "Application of pattern recognition and piezoelectric sensor array for the detection of organic compounds". Talanta, 42. 475. (1995)

3. Barkó Gy. és Hlavay J., "Faktoranalízis alkalmazása piezoelektromos kémiai érzékelõ jeleinek értékelésére". Magyar Kémiai Folyóirat, (nyomtatásban) 1997.

4. Gy. Barkó and J. Hlavay, "Development of an automatic calibration system for generation of organic vapours". Fresenius' Journal of Analytical Chemistry, (in press).

5. Gy. Barkó and J. Hlavay, "Application of Artificial Neural Network (ANN) in the chemical sensor development". Talanta, (in press) 1997.