論文の概要: Machine learning-enabled river water quality monitoring using lithography-free 3D-printed sensors

• arxiv url: http://arxiv.org/abs/2507.14152v1
• Date: Thu, 03 Jul 2025 22:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-27 08:26:15.921876
• Title: Machine learning-enabled river water quality monitoring using lithography-free 3D-printed sensors
• Title（参考訳）: リソグラフィフリー3Dプリントセンサを用いた機械学習による河川水質モニタリング
• Authors: Frank Efe Erukainure, Feidra Gjata, Matin Ataei Kachouei, Henry Cox, Md. Azahar Ali,
• Abstract要約: リン酸を含む過剰な汚染物質は溶存酸素を減らし、富栄養化を引き起こす。 本研究では, 河川水中のリン酸イオンを1ビリオン単位で検出するリソグラフィフリーリン酸イオンセンサ (P-Sensor) を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: River water quality monitoring is important for aquatic life, livestock, and humans because clean water is critical to meeting food demand during the global food crisis. Excessive contaminants, including phosphate, deplete dissolved oxygen and trigger eutrophication, leading to serious health and ecological problems. Continuous sensors that track phosphate levels can therefore help prevent eutrophication. In this work we present a lithography-free phosphate sensor (P-sensor) that detects phosphate in river water at parts-per-billion levels. The device uses a solid-state indicator electrode formed by 3D-printed periodic polymer patterns (8 um feature size) coated with a thin phosphate ion-selective membrane. The P-sensor detects as little as 1 ppb phosphate across 0 - 475 ppm with a response time under 30 seconds. We validated the sensor on Rappahannock River water, Virginia (less than 0.8 ppm phosphate) at sites upstream and downstream of a sewage treatment plant and benchmarked the results against a commercial phosphate meter. A feed-forward neural network was trained to predict phosphate levels, achieving a mean-squared error below 1e-3, zero standard deviation, and a Pearson correlation coefficient of 0.997 for river samples. These results demonstrate a practical tool for continuous water-quality monitoring that can inform stakeholders and policymakers and ultimately improve public health.
• Abstract（参考訳）: 河川水質モニタリングは水生生物、家畜、人間にとって重要である。 リン酸を含む過剰な汚染物質は、溶存酸素を減らし、富栄養化を引き起こし、深刻な健康と生態問題を引き起こす。 そのため、リン酸濃度を追跡する連続センサーは、富栄養化を防ぐのに役立つ。 本研究では, 河川水中のリン酸イオンを1ビリオン単位で検出するリソグラフィフリーリン酸イオンセンサ (P-Sensor) を提案する。 薄いリン酸イオン選択膜でコーティングされた3Dプリント周期性ポリマーパターン(8つの特徴サイズ)で形成された固体指示電極を用いる。 Pセンサーは0 - 475 ppmで最大1 ppbのリン酸基を検知し、応答時間は30秒以下である。 その結果, 下水処理場の上流および下流部において, バージニア州ラッパハノック川水(0.8ppm未満リン酸塩)のセンサーを検証し, 商業用リン酸塩メータと比較した。 1e-3以下の平均2乗誤差,標準偏差ゼロ,河川試料のピアソン相関係数0.997。 これらの結果は、ステークホルダーや政策立案者に通知し、最終的に公衆衛生を改善する、継続的な水質モニタリングのための実践的なツールを示す。

関連論文リスト

• Hyperspectral in situ remote sensing of water surface nitrate in the Fitzroy River estuary, Queensland, Australia, using deep learning [0.2094057281590807]
  近年の河川で排出される硝酸塩の増加は、グレートバリアリーフのラグーンでサンゴの漂白に大きなリスクをもたらす。 以前の研究では、水面硝酸塩と貯水反射率の間に間接的、非因果関係があることが示されている。 時系列観測により, 亜硝酸塩負荷の周期周期は, 干潟調査地における潮流の影響により明らかとなった。 モデル予測硝酸塩のin-situ測定した硝酸塩値に対する精度評価の結果, 予測硝酸塩値は地中構造値とよく相関していた。
  論文  参考訳（メタデータ） (2025-05-23T05:22:29Z)
• Diagnosis of Pulmonary Hypertension by Integrating Multimodal Data with a Hybrid Graph Convolutional and Transformer Network [32.50971951245164]
  本研究は,深層学習に基づく肺高血圧症(PH)診断モデルの開発と評価である。 患者を非PH、毛細管前PH、または毛細管後PHに分類するように設計されている。 マルチモーダルデータを効果的に統合することで、臨床的な意思決定を支援することができる。
  論文  参考訳（メタデータ） (2025-03-28T01:14:17Z)
• Integrating Boosted learning with Differential Evolution (DE) Optimizer: A Prediction of Groundwater Quality Risk Assessment in Odisha [0.0]
  本研究では,地下水水質指標(GWQI)を評価するための機械学習に基づく予測モデルを開発した。 LCBoost Fusionと呼ばれるハイブリッド機械学習モデルの助けを借りて実現されている。
  論文  参考訳（メタデータ） (2025-02-25T07:47:41Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• An insertable glucose sensor using a compact and cost-effective phosphorescence lifetime imager and machine learning [7.47339309134629]
  生体適合性蛍光をベースとした挿入型バイオセンサと、カスタム設計の蛍光寿命イメージング装置(PLI)を統合した連続グルコースモニタリング(CGM)システムについて報告する。 PLIは、皮膚を通して挿入可能なセンサーの蛍光寿命を捉え、発光された蛍光信号の寿命を局所的なグルコース濃度によって調節するように設計されている。 ライフタイム画像は、グルコースレベルの不整合耐性推論のためのニューラルネットワークベースのモデルによって処理される。
  論文  参考訳（メタデータ） (2024-06-12T00:18:47Z)
• Investigating Data Contamination for Pre-training Language Models [46.335755305642564]
  我々は,一連のGPT-2モデルを事前学習することで,事前学習段階におけるデータ汚染の影響について検討する。 評価データから,テキスト汚染 (テキスト, 評価サンプルの入力テキスト) と接地トラス汚染 (テキスト, 入力に要求されるプロンプトと所望の出力) の両方の効果を強調した。
  論文  参考訳（メタデータ） (2024-01-11T17:24:49Z)
• Using Multi-Temporal Sentinel-1 and Sentinel-2 data for water bodies mapping [40.996860106131244]
  気候変動は極端な気象現象を激化させ、水不足と激しい降雨の予測不可能の両方を引き起こしている。 本研究の目的は,多様な気象条件下での総合的な水資源モニタリングに有用な知見を提供することである。
  論文  参考訳（メタデータ） (2024-01-05T18:11:08Z)
• Towards Generating Large Synthetic Phytoplankton Datasets for Efficient Monitoring of Harmful Algal Blooms [77.25251419910205]
  有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。 現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。 合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2022-08-03T20:15:55Z)
• Early Detection of Fish Diseases by Analyzing Water Quality Using Machine Learning Algorithm [0.0]
  本稿では,最先端の機械学習アルゴリズムを適用し,水質劣化を時間的かつ正確に検出・予測する。 実験の結果, 実際のデータセットを用いたアルゴリズムにより, 特定の水質に特有な魚病の検出精度が向上した。
  論文  参考訳（メタデータ） (2021-02-15T18:52:58Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Water Quality Prediction on a Sigfox-compliant IoT Device: The Road Ahead of WaterS [0.27998963147546135]
  我々は,収集した計測データを遠隔で通信する,モノのインターネット(Internet of Things)の水質予測システムであるWaterSに注目した。 このソリューションは、エネルギー効率や自律性といった特異なモノのインターネット(Internet of Things)の制約を考慮して、水質問題に対処する。 WaterSエコシステムのソースコードがオープンソースとしてリリースされ、産業とアカデミアの両方の研究活動を奨励し、促進している。
  論文  参考訳（メタデータ） (2020-07-27T11:21:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。