Systèmes de capteurs intégrés en technologie CMOS pour la mesure de la qualité de l’eau – SYSCO

Le projet SYSCO est organisé en 4 tâches principales:

Tâche 1 : Membranes sensibles fonctionnalisées,

Tâche 2 : Intégration des capteurs ISFETs et ChemFETs sur CMOS-FD-DOI

Tâche 3 : Intégration d’un système complet : capteurs multiplexés, cellule fluidique et transmission des données en temps réel.

Tâche 4 : Validation du prototype sur des échantillons fournis par une station d’épuration.

Les résultats présentés ci-après concernent l’avancement de tâches 1 et 2.

Tâche 1 :

- Préparation de solutions polymériques pour la fabrication d'ISM sélectives aux ions NO3- : matrice PVC, plastifiant DINP et fonctionnalisation par ajout d’ionophore TDAN.

- Calibration de l’épaisseur : fabrication d’ISM spin-coating des solutions polymériques sur substrats Si3N4(50 nm)/SiO2 (10 nm) /Si (P): (1) solutions à différents taux de dilution THF (5% à 35%), (2) spin-coating (3000 tr/min ; 60 s), recuit 100 °C, 5 min. Bon contrôle des épaisseurs dans la gamme 200 nm (THF 30%) à 5 µm (THF 5%). Une dilution THF 30% a été retenue pour optimiser la détection des ions NO3-.

- Rugosité de surface et hydrophilicité: une rugosité élevée est observée en imagerie pour toutes les épaisseurs. Des mesures d’angle de contact confirment le caractère hydrophile des ISM.

- Fabrication de structures EMIS : plusieurs types de structures ont été réalisées: 1) Réf. sans ISM, 2) Réf. avec ISM non fonctionnalisée, 3) ISM fonctionnalisée (4% TDAN, 4) ISM fonctionnalisée (10% TDAN).

- Mesures d’impédances électrochimiques : utilisation d'un système OrigaStat OGS avec une configuration. Les analytes étudiées sont des solutions salines tamponnées au phosphate (PBS) avec ajout dosé de nitrate d’ammonium. Des solutions à concentrations variables d’ions NO3- variables entre 0 et 50 mg/L ont été réalisées. Des mesures d’impédances dynamiques (20 Hz à 500 kHz) à potentiel fixe et en régime d’accumulation ont été réalisées sur les structures EMIS (avec membrane) et EIS (sans membrane) afin de d’identifier la gamme de réponse des membranes. Les mesures Z (V) ont ensuite été réalisées à fréquence une fixe de 1 kHz .

- Réponse aux ions nitrates: l’étude a permis de mettre en évidence de l’effet de la fonctionnalisation des ISM par l’ionophore TDAN. La sensibilité est confirmée par la variation importante de l’impédance réelle Zr uniquement pour les échantillons avec membranes fonctionnalisées. La faible variation de l’impédance Zi comparativement à l’impédance Zr que le mécanisme de détection est lié à la variation de la conductivité des ISM.

- Sélectivité: les réponses aux ions nitrates (témoin positif) ont été comparées aux réponses à des solutions témoins négatifs : Sulfate de sodium, Chlorure de sodium. La faible réponse (< 5%) vis-à-vis des anions interférents (SO4 2-, Cl-) indique une sélectivité relative dans les mêmes gammes de concentrations (22% pour NO3-).

Tâche 2 :

- Procédé d’intégration de ChemFETs en CMOS-FDSOI : Le procédé comportant 8 étapes principales permet l’intégration des membranes à la dernière étape. Le design et la fabrication de masques (5 ou 6 niveaux selon les cas) a été spécifiquement prévu pour pouvoir cointégrer plusieurs ChemFETs sur une même puce.

- Mise en place d’un banc de mesures :

Le banc est constitué de 2 SMUs pilotées sous LabVIEW via une communication RS-232. Le fonctionnement du banc a été validé par des tests avec des capteurs ISFETs.

Tâche 1:

• Etude de la dynamique de réponse des membranes sensibles aux ions nitrates.

• Fabrication et caractérisation de membranes sélectives aux ions Pb2+.

Tâche 2:

• fabrication et caractérisation de ChemFETs en CMOS-FDSOI pour la détection d'ions nitrates.

• fabrication de canaux micro fluidiques en PDMS

• Calibration des chemFETs Nitrates par des mesures sur un grand nombre de capteurs et à différentes conditions de pH et températures .

Tâche 3:

• Constitution d’une base de données d’entraînement de modèles d'apprentissage pour le traitement des données. Une orientation vers les Physics-Informed Neural Networks (PINNs) est proposée, en raison de la possibilité d'intégrer des modèles physiques dans le processus d'apprentissage.