بررسی ترکیبات آلی فرار در محیط‌های بسته به کمک سنسورهای کم‌هزینه - یافته‌ها و نتایج

پایش ترکیبات آلی فرار(voc) در محیط‌های داخلی به دلیل اثرات طولانی‌مدت آن‌ها بر سلامت، به یکی از محورهای اصلی تحقیقات کیفیت هوای داخل تبدیل شده است. در این میان، سنسورهای کم‌هزینه به‌عنوان جایگزین یا مکمل روش‌های مرجع مانند gc–ms و pid مطرح شده‌اند. این مرور نظام‌مند با بررسی مطالعات انجام‌شده در اروپا، آمریکای شمالی و شرق آسیا نشان می‌دهد که حسگرهای مبتنی بر نیمه‌رساناهای اکسیدی در صورت به‌کارگیری مدل‌های اصلاح داده و الگوریتم‌های یادگیری ماشین می‌توانند برآورد قابل‌قبولی از tvoc در محیط‌های اداری، مسکونی و آموزشی ارائه دهند. همچنین، حسگرهای pid کم‌هزینه برای شناسایی پیک‌های لحظه‌ای انتشار voc در فضاهای پرخطر عملکرد مناسبی دارند و شبکه‌سازی سنسورها همراه با مدل‌های یادگیری عمیق امکان پایش گسترده و کم‌هزینه را فراهم می‌کند. با وجود این، حساسیت به شرایط محیطی و دریفت، لزوم کالیبراسیون میدانی و هم‌مکانی با دستگاه‌های مرجع همچنان چالش اصلی است. در مجموع، سنسورهای کم‌هزینه در چارچوب پروتکل‌های استاندارد می‌توانند ابزاری عملی و مقرون‌به‌صرفه برای مدیریت کیفیت هوای داخل باشند.

assessment of volatile organic compounds in enclosed environments using low-cost sensors: findings and results

monitoring volatile organic compounds (vocs) in indoor environments has become a major research priority due to their well-documented long-term health impacts. in this context, low-cost sensors are increasingly used as alternatives or complements to reference methods such as gc–ms and professional pid devices. this systematic review of studies from germany, switzerland, the netherlands, the united states, canada, china, south korea and japan shows that metal-oxide (mox) sensors, when combined with data-correction models and machine-learning algorithms, can provide reasonably accurate estimates of tvoc levels in offices, homes and schools. field experiments also indicate that low-cost pid sensors are suitable for capturing short-term voc peaks in high-risk spaces such as kitchens, laboratories and service facilities. experiences with sensor networks integrated with deep-learning prediction models highlight their potential for large-scale, low-cost indoor air-quality monitoring. nevertheless, strong dependence on temperature, humidity, interfering gases and sensor drift requires careful field calibration and co-location with reference instruments. overall, properly deployed low-cost sensors offer an effective and scalable option for indoor voc monitoring and smart ventilation control.