مدل‌سازی ریاضی ترانزیستور اثر میدان حساس یونی و بهینه‌سازی بر پایه شبیه‌سازی و فرامدل برای تشخیص آفلاتوکسین B1

مدل‌سازی ریاضی ابزاری قدرتمند جهت پیش‌بینی پاسخ ترانزیستور اثرمیدان حساس به یون (isfet) و بهینه‌سازی پارامترهای موثر بر عملکرد آن است. در این پژوهش مقادیر بهینه پارامترهای جریان درین، ولتاژ درین، غلظت اولیه سوبسترا و غلظت اولیه آنزیم به منظور به دست آوردن پاسخ ماکزیمم isfet در تشخیص آفلاتوکسین b1 (afb1) تعیین شدند. بهینه‌سازی با به‌کارگیری الگوریتم ژنتیک و بر پایه حل عددی معادله‌های دیفرانسیل حاکم isfet به روش المان محدود در نرم‌افزار کامسول انجام شد. تابع هدف مورد استفاده در الگوریتم ژنتیک نیز با جایگزینی مدل شبیه‌سازی شده توسط فرامدل شبکه عصبی مصنوعی تعریف شد. نتایج به‌دست آمده نشان داد مدل شبیه‌سازی شده  isfet با استفاده از روش المان محدود در مقایسه با آزمایش تجربی، دارای میانگین درصد خطای مطلق (mape) برابر با 1.06 درصد در پیش‌بینی پاسخ isfet است. با استفاده از مدل المان محدود، 1296 آزمایش برای دست‌یابی به پایگاه داده مورد نیاز جهت آموزش شبکه عصبی شبیه‌سازی شد. پس از ارزیابی ساختار‌های مختلف شبکه عصبی مشخص شد شبکه عصبی آموزش دیده با ساختار (4451) دارای میانگین درصد خطای مطلق (mape) برابر با 0.04، 0.07 و 0.05 درصد به ترتیب در فازهای آموزش، اعتبارسنجی و آزمایش است. نتایج بهینه‌سازی isfet نشان داد با استفاده از مقادیر بهینه پارامتر‌های جریان درین، ولتاژ درین، غلظت اولیه سوبسترا و غلظت اولیه آنزیم تعیین شده توسط الگوریتم ژنتیک حداکثر پاسخ isfet برابر با 44.440 درصد به‌دست آمده است.

Mathematical Modeling of Ion Sensitive Field Effect Transistor and Metamodel Based Optimization Simulation for Detection of Aflatoxin B1

Mathematical modeling is a powerful tool for prediction of Ion Sensitive Field Effect Trnsistor (ISFET) response and optimization of its functional parameters. In this study the optimal values of drain current, drain voltage and initial concentrations of substrate and enzyme parameters were determined to achieve maximum of ISFET response for detection of Aflatoxin B1 (AFB1). Optimization was performed by using Genetic Algorithm (GA) and based on numerical solution of ISFET governing differential equations by means of Finite Element Method (FEM) and COMSOL Multiphysics software. The objective function of GA was defined through substituting simulated model by Artificial Neural Network (ANN) metamodel. The results showed that ISFET simulated FEM model has a MAPE equal to 1.06 % in prediction of ISFET response compared with experimental results. With FEM model, 1296 virtual experiments were simulated to achieve necessary data base for train ANN metamodel. By evaluation of different ANN structures, trained ANN with 4451 structure was selected which has MAPE equal to 0.04 %, 0.07% and 0.05% at train, validation and test phase respectively. ISFET optimization results states that by using of GA determined optimal values of drain current, drain voltage and initial concentrations of substrate and enzyme parameters, extremum response of ISFET equal to 44.44 % was achieved.