Classification et quantification de COV gazeux par apprentissage automatique avec un capteur Fabry-Pérot sur puce fonctionnalisé par polymères

La détection des composés organiques volatils (COV) représente un enjeu important dans de nombreux domaines, notamment la surveillance environnementale ainsi que les secteurs industriel et médical. Parmi les différentes technologies de capteurs de gaz, les capteurs optiques de type Fabry-Pérot fonctionnalisés par des polymères constituent une approche prometteuse en raison de leur forte sensibilité, de leur opération à température ambiante et de leur capacité de miniaturisation. Cependant, les signaux générés par ces capteurs sont extrêmement complexes et présentent souvent des dynamiques temporelles non linéaires en raison des phénomènes de diffusion et d’absorption des analytes gazeux dans les polymères. L’interprétation de ces signaux constitue donc un défi important pour l’estimation des gaz présents ainsi que de leurs concentrations. Dans ce mémoire, différentes méthodes d’apprentissage automatique ont été étudiées afin de réaliser la classification et la quantification de COV à partir des signaux d’un capteur Fabry-Pérot sur puce fonctionnalisé par des polymères. Les performances de plusieurs modèles, tels que les modèles linéaires, les machines à vecteurs de support (SVM), les réseaux de neurones convolutionnels et récurrents, ont été évaluées. Les modèles ont été entraînés et testés à l’aide d’une validation croisée imbriquée afin d’assurer une estimation robuste de leurs performances. Les deux régimes de fonctionnement du capteur, soit les régimes quasi statique et transitoire, ont également été caractérisés afin d’étudier les modèles les mieux adaptés à chacun d’eux. Des mesures ont été réalisées pour quatre COV (acétone, isopropanol, méthanol et toluène) à l’aide de quatre polymères sensibles (PDMS, PMMA, PU et PVP), dont certains ont été étudiés pour la première fois dans des cavités Fabry-Pérot. Parmi les différents modèles évalués, les réseaux de neurones convolutionnels bidimensionnels (CNN2D) ont obtenu les meilleures performances globales, avec un coefficient de détermination moyen de R2 = 0.78 pour la régression des concentrations sur l’ensemble des gaz et jusqu’à R2 = 0.92 pour l’acétone. De plus, les résultats de classification obtenus avec ce modèle ont atteint une précision de 94 %. Ce travail démontre le potentiel de la combinaison entre les cavités Fabry-Pérot fonctionnalisées par polymères et les techniques d’apprentissage automatique pour la détection et la quantification de COV. Les résultats obtenus contribuent à améliorer l’interprétation des signaux et à favoriser le développement de capteurs optiques intelligents pour la détection de gaz.