Bases de datos en investigación: Recursos naturales

www.imb-cnm.csic.es Cecilia Jimenez-Jorquera Sensores y metodos de aprendizaje automatico para la medida y control de aguas superficiales y residuales Los datos en investigación: retos y oportunidades 1. Introducción: Necesidad de medir aguas 2. Sensores para medidas de calidad e aguas 3. Sensores fabricados con tecnología microelectrónica 4. Sensores y aprendizaje automatico (ML): necesidad de datos 5. Ejemplos de aplicaciones Array de sensores y métodos de PCA/PLS Sistemas multisensores y Redes Neuronales 6. Conclusiones Contenido 1. Introducción: Necesidad de medir aguas 2. Sensores para medidas de calidad e aguas 3. Sensores fabricados con tecnología microelectrónica 4. Sensores y quimiometria / IA: necesidad de datos 5. Ejemplos de aplicaciones Array de sensores y quimiometria Sistemas multisensores y Redes Neuronales 6. Conclusiones Contenido [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Tipos de aguas: •Aguas potables, •Aguas residuales •Aguas continentales: • Aguas superficiales: Rios, lagos, pantanos • Aguas subterráneas Porque es importante monitorizar el agua? •Contaminación/calidad urban AGRICULTURE industry volcans Power stations fuel emissions Fuentes de contaminación variadas [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Si bien las masas de agua subterránea de Europa, como los acuíferos, gozan de buena salud en la mayoría de los casos, solo el 40 % de los lagos, ríos, estuarios y aguas costeras vigilados alcanzaron el estado ecológico mínimo «bueno» o «muy bueno» fijado en la Directiva Marco del Agua de la UE durante el periodo de seguimiento 2010-2015, según el informe Porcentaje de masas de agua superficial en un estado ecológico inferior al ‘buen estado’ o potencial de los PHC Calidad - Directrices establecen los máximos para cada tipo de agua Directivas EU [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es La CE cada vez establece normas mas estrictas respecto a la calidad del agua In the EEA report 2018 a group of priority hazardous substances were identified in the Priority Substances Directive as uPBT (ubiquitous, persistent, bioaccumulative and toxic). Polyaromatic hydrocarbons (PAHs), mercury, cadmium, lead Right2Water European Citizens' Initiative, (2018) recently amended in the Directive 2020/2184. “The obligation of Member States to guarantee access to safe drinking water to all Europeans and establish very high quality standards for drinking water” 6 [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Medidas de calidad de aguas: técnicas y metodologías •Absorción atómica •Cromatografía (HPLC, HGC,…) •ICP-masas Medidas en laboratorio Equipos costosos Técnicos especializados No se puede actuar de forma rápida ante una incidencia Que necesitamos? •Medidas in-situ para actuar de forma rápida •Equipos baratos •Distribuidos en varios puntos •Medidas en continuo •Medidas rápidas y precisas Sensores 7 1. Introducción: Necesidad de medir aguas 2. Sensores para medidas de calidad e aguas 3. Sensores fabricados con tecnología microelectrónica 4. Sensores y quimiometria / IA: necesidad de datos 5. Ejemplos de aplicaciones Array de sensores y quimiometria Sistemas multisensores y Redes Neuronales 6. Conlusiones Contenido [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Receptor Señal química o física Prcesamiento de señal Electrónica Transductor Optico, massico, magnetico, electroquímico Analito Sensor Señal eléctrica Sensor químico/biosensor: Dispositivo que convierte una señal química o bioquímica en una señal eléctrica procesable 9 ISFET (Ion Sensitive Field Effect Transistor) Bergveld, 1970 Potentiometric microsensor ( )      −−= 2 2 1 DSDSTHGDDS VVVV L W CI  Comportamiento de un transistor NMOS -2 0 2 4 0,0 ,5 1,0 ID (mA) VG (V) pH1pH2 Vds constant 0 2 4 6 8 10 0 1 2 3 4 5 6 2 3 4 5 pH VDS (V) Id (mA) ID VGS reference electrode A VDS A channel N Nernstian response 50-58 mVpH-1 -0,6 -0,5 -0,4 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4 0 2 4 6 8 10 12 14 pH Vo (mV) ( ) 02303 1 =+−.kT qpH pH pzc   ( )      −−= 2 2 1 DSDSTHGDDS VVVV L W CI  -2 0 2 4 0,0 ,5 1,0 ID (mA) VG (V) pH1pH2 Vds constant -0,6 -0,5 -0,4 -0,3 -0,2 -0,1 0 0,1 0,2 0,3 0,4 0 2 4 6 8 10 12 14 pH Vo (mV) ( ) 02303 1 =+−.kT qpH pH pzc   ISFET: estructura y proceso de fabricacion DRAIN Electrical contacts SUBSTRATE SOURCE channel N GATE p-Si Niveles de proceso tecnologico (> 20) •Diffusion of impurities, formation of source and drain •Thin SiO2 growth, gate formation •Nitride deposition by LPCVD, pH membrane •Openings of electrical contact areas. •Metallization and definition of the connection tracks. •Passivation. SOURCE DRAIN SUBSTRATE WE CE RE 3 mm 3,5 mm 1.62 mm2 2.77 mm2 Electrodos de capa fina (TFM) Sensor de conductividad Pt – 4 electrode cell 4B1 y = 0.1003x + 7.4826 R2 = 0.9986 0 200 400 600 800 1000 1200 02000 4000 6000 8000 10000 12000 Conductividad (mS/cm) Potencial, mV Microelectrodos amperometricos Medidas de procesos de oxidaciónreducción. Modificados con bioreceptores •Enzima: Glucosa, lactato, •DNA/RNA: virus, patógenos, pesticidas, COVID, etc.. Standard photolithographic technology: Si/SiO2/Metal ✓ Lift-off (patterning) ✓ e-beam evaporation (metal deposition) ✓ Wet etching (passivation layer) Thin film Microelectrodes: fabrication Encapsulation of the chip on a PCB board 1. Introducción: Necesidad de medir aguas 2. Sensores para medidas de calidad e aguas 3. Sensores fabricados con tecnología microelectronica 4. Sensores y aprendizaje automatico (ML): necesidad de datos 5. Ejemplos de aplicaciones Array de sensores y aplicación de quimiometria Sistemas multisensores y Redes Neuronales 6. Conlusiones Contenido Los datos en investigación: retos y oportunidades Problemas que plantean de los sensores - Deriva - Interferencias - Variación de respuesta con la temperatura Calibracion frecuente •No son autónomos •Precision/exactitud irregular Solucion Utilizacion de métodos de ML (RRNN) Ventajas de sensores y ML •Corregimos el efecto de deriva y interferencias → calibración mas precisa ✓Podemos “medir” parámetros para los cuales no hay sensores → no necesidad de sensores complejos ✓Podemos identificar parámetros químicos, físicos, propiedades organolépticas, riesgo bacteriológico y toxicidad según nivel de abstracción de la RRNN ✓Mejoramos la incertidumbre en la medida (sensibilidad, selectividad, percision) Los datos en investigación: retos y oportunidades Creamos un data set 29/01/2024 Medidas de los sensores ISFET en campo (en continuo, cada segundo, iones, conductividad, pH, ORP) Medidas con ISFETs (5 tipos) 4 días Frecuencia 1 seg 1,4 Millones de datos Para obtener mejores resultados con sensores y métodos de ML: muchos datos Los datos en investigación: retos y oportunidades Medidas con ISFETs (5 tipos) 2 meses Frecuencia 1 seg 21 Millones de datos Los datos en investigación: retos y oportunidades Medidas con sensores de ORP, conductividad, amperometricos 4 días Frecuencia 1 seg 1,1 Millones de datos Seleccionamos datos: quitamos aquellos que consideramos outliers Los datos en investigación: retos y oportunidades Medidas con sensores de ORP, conductividad, amperometricos 2 meses Frecuencia 1 seg 16 Millones de datos [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Analisis de agua potable Análisis organoléptico Comparación con panel Clasificacion según la composición del agua Array of sensors -6 -4 -2 0 2 -2 -1 0 1 2 3 -5 -4 -3 -2 -1 0123 PC 3 (16 %) PC 2 (29 %) PC 1 (36 %) Acidic Salty Mouldy + Earthy High Sweet Low Medicinal Chlorinous + Low Sweet Bitter + High Medicinal Array de sensores y aplicación de quimiometria [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Métodos quimiometricos son eficientes cuando el tratamiento de la señal puede realizarse después de la medida (off-line) Medidas on-line Métodos de ML como RRNN [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Sistemas multisensores inteligentes para medir en aguas Combinación de sistemas multisensores con RNN ( inteligencia neuromórfica ) para monitorizar la calidad del agua UMEA 10 05-A 05-B Layout m 10x10=100 20x20=400 40x40=1600 d / μm 10 5 5 x /μm 200 100 50 a /cm2 7.86 x 10-7 1.96 x 10-7 1.96 x 10-7 i (nA) 117.1 234.4 937.6 Ventajas de sensores y RRNN ✓Corregimos el efecto de deriva y interferencias → calibración mas precisa ✓Podemos identificar parámetros químicos, físicos, propiedades organolépticas, riesgo bacteriológico y toxicidad según nivel de abstracción de la RRNN ✓Mejoramos la incertidumbre en la medida (sensibilidad, selectividad, precision) ✓ Prevención de eventos en redes de agua [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Como funcionan? Event-based sensor fusión based on DNN Sistemas de fusión de sensores •Basado en algoritmos de identificación de redes neuronales profundas. •Modelado no lineal, extracción de patrones complejos. •Escalable, dependiendo de la complejidad del análisis. •Cálculo eficiente y no supervisado, autoconfiguración de parámetros internos. •Explota la redundancia entre sensores [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Medidas en entrada de Estación potabilizadora (ETAP) Set up installed in a DWTP: - 6 ISFETs (pH, ions Na, K, Ca, NO3, Cl) - ORP - Conductivity - Amperometric Au electrodes - Temperature Measurement every 1 sec Data from DWTP probes: pH, Cond., OD, NH4. turbidity [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Creamos un data set 29/01/2024 Medidas de los sensores ISFET en campo (en continuo, cada segundo, iones, conductividad, pH, ORP) Medidas con ISFETs (5 tipos) 4 días Frecuencia 1 seg 1,4 Millones de datos Para obtener mejores resultados con sensores y métodos de ML: muchos datos [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es 29/01/2024 Input sequences: Overlapping time Windows (128 readings, ∼11 h ) •Datos de de medidas en continuo en la ETAP (3 months, > 26 ksamples) •Datos entrada: Valores de ISFETs (pH, Na+, K+) •Datos de referencia: Commercial pH ISE Set de entrenamiento Set de test [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Medida durante 15 dias 73.05% RMSE reduction Predicción de pH usando DNN Sin calibración [email protected] pti-cienciadigital.csic.es [email protected] pti-cienciadigital.csic.es Intelligent Analytical Microtechnology for Total Aquatic Process Monitoring and Control (IAQUA) •Integration of microsensor array and readout electronics in standard 65-nm CMOS technology •Multi-measurement: Ions/ISFETs (e.g. H+, Na+, Ca+, K+, NH4+, NO3-), Dissolved Oxygen, ORP •Ultra low-power - compressive and event-based architecture: Dual purpose, normal and self-attenuation of offsets/drifts •Small-size (1.2 mm2) cost-effective mini-ASIC for disposable usage Integrated chip with 6 ISFETs & electronics Podemos avanzar mas? → integrar la RRNN en el mismo chip sensor