Topic description
Le projet proposé s'appuie sur des travaux de recherche initiés entre le CNRS et STMicroelectronics pour le développent de capteurs électrochimiques sur CMOS. La thèse s'inscrit dans la continuité des travaux sur la démonstration de capteurs GasFETs fonctionnels intégrés sur une technologie industrielle CMOS FDSOI 28 nm pour la détection sélective de CO2 et de NO2. Le sujet de thèse propose le développement d'un procédé de cointégration de capteurs GasFETs dans un système multiplexé pour les mesures en temps réel de qualité de l'air.
L'objectif de la thèse est de développer et d'étudier un système de capteurs multiplexés et communicant intégrant la mesure de température, et du taux d'humidité (RH) à la détection simultanée de CO2 et de NO2 et de composés organiques volatils (NH3). Le système proposé associera plusieurs capteurs sélectifs aux polluants ciblés dans une approche System in Package (SiP). Les principales figures de mérites des capteurs seront étudiées finement : sensibilité, limite de détection, réversibilité, plage de détection, sélectivité, temps de réponse, dérive temporelle, durée de vie, consommation d'énergie. Une des priorités concernera la réduction des températures d'opération des capteurs afin de limiter la consommation des systèmes pour répondre aux enjeux de basse consommation et d'autonomie primordiales pour des applications compatibles avec les besoins de l'IoT. La complexité des environnements réels pour les mesures de qualité de l'air nécessite également le développement de systèmes capables d'identifier et de quantifier les concentrations des gaz avec un très bon niveau de sensibilité, de précision et de fiabilité des mesures. La sensibilité et la sélectivité des capteurs sont des verrous importants pour pouvoir réaliser des analyses quantitatives pour chaque polluant en limitant les interférences entre les différents capteurs implémentés. Au-delà des approches technologiques matérielles pour l'amélioration de la précision et de la fiabilité des systèmes de mesures, il est proposé pour ces travaux de thèse de développer des algorithmes d'apprentissage automatique (IA et Machine Learning) pour prendre en compte les phénomènes de dérives et permettre l'auto calibration des mesures.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
The proposed project builds on research initiated between CNRS and STMicroelectronics for the development of electrochemical sensors on CMOS. The thesis is a continuation of previous work demonstrating functional GasFET sensors integrated into an industrial 28 nm FDSOI CMOS technology for the selective detection of CO₂ and NO₂. The thesis topic focuses on developing a co-integration process for GasFET sensors within a multiplexed system for real-time air quality measurements.
The main objective of the thesis is to develop and study a multiplexed, communicating sensor system that integrates temperature and relative humidity (RH) measurements with the simultaneous detection of CO₂, NO₂, and volatile organic compounds (NH₃). The proposed system will combine multiple selective sensors for targeted pollutants using a System in Package (SiP) approach. Key sensor performance metrics will be thoroughly analyzed, including sensitivity, detection limit, reversibility, detection range, selectivity, response time, temporal drift, lifespan, and power consumption. A priority will be placed on reducing the operating temperatures of the sensors to minimize system power consumption, addressing the critical challenges of low power and autonomy required for IoT-compatible applications.
The complexity of real-world environments for air quality measurements also necessitates the development of systems capable of identifying and quantifying gas concentrations with high sensitivity, precision, and measurement reliability. Sensitivity and selectivity are significant challenges for achieving quantitative analysis of each pollutant while minimizing interference between the implemented sensors. Beyond hardware-based technological approaches to improve measurement accuracy and reliability, this thesis proposes developing machine learning algorithms (AI and ML) to account for drift phenomena and enable self-calibration of measurements.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/
Funding category
Public funding alone (i.e. government, region, European, international organization research grant)
Funding further details
Concours pour un contrat doctoral
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.