Experimental setup and protocol to implement humidity and drift compensation models for gas sensors

Electronic noses (e-noses) are sensor-based systems designed to mimic the olfactory perception of living organisms, offering rapid, portable, and relatively cost-effective solutions for the detection and classification of volatile compounds. Their potential in environmental monitoring is particularly relevant for the quantification and characterization of odorous emissions, a problem of growing concern due to its impact on quality of life, regulatory compliance, and industrial sustainability. However, the performance of e-noses is still severely limited by factors such as: the sensitivity of chemical sensors to environmental humidity variations and the long-term drift of sensor signals. These issues compromise reproducibility, reduce the accuracy of predictive models and hinder the transferability of calibration procedures between different instruments or monitoring campaigns. To properly study the influence of these interferents, an automated test bench has been developed to perform controlled experiment on different sensors installed in a commercial e-nose and in a prototype e-nose. The main work of this thesis is related to the final design and validation of the setup for the analysis with gas sensors. Specifically, this thesis is focused on three key activities: the validation of the test bench to ensure accurate and reproducible control of humidity and gas composition, the development of an experimental protocol for the analysis of sensor responses using air, calibrant gases, synthetic mixtures, and real samples from industrial activities and finally the implementation of preliminary correction models based on Orthogonal Signal Correction (OSC) to compensate for humidity and drift effects. Overall, this thesis validates the effectiveness of the test bench and the experimental protocol, providing a solid foundation for future campaigns aimed at collecting larger datasets and developing improved correction models for e-noses.

I nasi elettronici (e-noses) sono sistemi sensoriali basati su array di sensori chimici progettati per emulare la percezione olfattiva degli organismi viventi. Questo dispositivi rappresentano una soluzione rapida, portatile e relativamente economica per il rilevamento e la classificazione di composti volatili. In particolare, il loro impiego nel monitoraggio ambientale risulta di grande interesse per la quantificazione e caratterizzazione delle emissioni odorigene, fenomeno sempre più rilevante a causa del suo impatto sulla qualità della vita, sul rispetto normativo e sulla sostenibilità industriale. Tuttavia, le prestazioni dei nasi elettronici sono ancora fortemente limitate da fattori critici come la sensibilità dei sensori chimici alle variazioni di umidità ambientale e il drift del segnale nel lungo periodo. Questi fenomeni compromettono la riproducibilità, riducono l’accuratezza dei modelli predittivi e ostacolano la trasferibilità delle procedure di calibrazione tra strumenti diversi o campagne di monitoraggio. Per studiare correttamente l’influenza di questi interferenti, è stato sviluppato un banco di prova automatizzato per eseguire esperimenti controllati su diversi sensori installati sia in un e-nose commerciale sia in un prototipo. Il lavoro principale di questa tesi riguarda la progettazione finale e la validazione del setup per l’analisi con sensori di gas. In particolare, questa tesi si concentra su tre attività chiave: la validazione del banco di prova per garantire un controllo accurato e riproducibile di umidità e composizione dei gas; lo sviluppo di un protocollo sperimentale per l’analisi delle risposte dei sensori utilizzando aria, gas calibranti, miscele sintetiche e campioni reali provenienti da attività industriali e infine l’implementazione di modelli correttivi preliminari basati su Orthogonal Signal Correction (OSC) per compensare gli effetti di umidità e drift. Tramite questa attività di tesi è stata validata l’efficacia della test bench e del protocollo sperimentale, fornendo una base solida per future campagne mirate alla raccolta di dataset più ampi e allo sviluppo di nuovi modelli di correzione per i nasi elettronici.