République Algérienne Démocratique et Populaire

Ministère de L9enseignement Supérieur Et de la Recherche Scientifique

Université Hadj lakhdar Batna

Faculté De Technologie
Département d’Electronique

Mémoire

Présenté pour l’obtention du diplôme de

MAGISTER en Electronique

Option:

Micro Electronique IC Design

Par
Mr Farah Seyf el islam
Thème

Modélisation d’un ENFET

Soutenu devant le jury composé de :

Dr DJEFFAL Fayçal Prof. Université de Batna Président

Dr Zohir DIBI Prof. Université de Batna Rapporteur

Dr BENHAYA Abd el hamid Prof. Université de Batna Examinateur

Dr MAHAMDI Ramdane Prof. Université de Batna Examinateur

Dr Abd el hafid CHAABI Prof. Université de Constantine Examinateur

 Remerciements

Je remercie ALLAH le Tout-puissant de m9avoir donné le courage, la volonté et la patience de

mener à terme ce présent travail.

Ce travail a été effectué sous la direction de monsieur Zohir DIBI, Professeur à l9Université de
Batna et vice recteur chargé de la pédagogie.
Je lui exprime particulièrement toute ma reconnaissance pour m9avoir fait bénéficier de ces
compétences scientifiques, ses qualités humaines et sa constante disponibilité.

J9exprime mes sincères remerciements à monsieur DJEFFAL Fayçal, Professeur à

l9Université de Batna, d9avoir accepté de présider le Jury de ce mémoire.

Je remercie sincèrement monsieur MAHAMDI Ramdane et BENHAYA Abd el hamid

Professeurs à l9Université de Batna et monsieur Abd el hafid CHAABI Professeur à l9Université de
Constantine d9avoir accepter de faire partie du Jury et d9examiner mon travail.

Enfin j9exprime ma reconnaissance et ma sympathie à mes collègues de laboratoire de

l9électronique avancée (LEA), mes frères et mes amis.
A mes parents

A mes frères

A ma famille

A mes amis.
Table des
matières
Table des matières
Table des matières ............................................................................................................ ii
Table des figures ............................................................................................................... ii
Introduction générale .........................................................................................................1
Chapitre I : Extension du fonctionnement du MOSFET au capteur ENFET

Chapitre I : Extension du fonctionnement du MOSFET au capteur ENFET ..........6

I-1 Introduction ..................................................................................................................6

I-2 Transistor MOSFET ....................................................................................................6

I-2-1 Structure du Transistor MOSFET .................................................................7

[Link] de fonctionnement ..........................................................................7

I-2-3 Tension drain-source faible (zone linéaire) .........................................11

I-2-4 Tension drain-source élevée (zone de saturation) ..............................12

I-2-5 Transconductance et conductance de drain ................................................13

I-2-6 Principaux paramètres des MOSFET .........................................................15

I-3 Capteur ISFET ..........................................................................................................16

I-3-1 Principe de fonctionnement des ISFETs ................................................................16

I-3-2 Principe physico-chimique de détection .................................................................17

I-3-3 Détermination du potentiel chimique  0 ...............................................................18

I-3-3-1 Etude de l9interface solide-électrolyte .....................................................18

I-3-3-2 Interface Electrolyte-Isolant-Solide (EIS) ...............................................22

I-4 Capteur ENFET : .......................................................................................................25

[Link] et principe de fonctionnement des ENFETs .........................................25

I-4-1-1 Etude théorique .......................................................................................28

I-4-1-2 Détection d9un substrat à partir d9une enzyme........................................28

I-4-2 Détermination de C et de pH ..................................................................................30

I-4-2-1 Détermination de la réponse potentiométrique de l9EnFET....................31
I-4-3 Etude de la créatinine ENFET ................................................................................31

ii
 I-4-3-1 Equations chimiques ..............................................................................31
I-4-3-2 Calcul de pH ...........................................................................................31
I-5 Conclusion .................................................................................................................32

Chapitre II : Réseaux de neurones et linéarisation

Chapitre II : Réseaux de neurones et linéarisation ....................................................34

II.1. Introduction ..............................................................................................................35

II.1.1 Modèle d9un neurone .............................................................................................35

II.1.2 Fonctions de transfert .............................................................................................38

II.1.3 Architecture de réseaux..........................................................................................40
II.1.4 Le perceptron multicouche ....................................................................................44
II.1.5 L'apprentissage (supervisé) ....................................................................................44
II.1.6 La rétro-propagation ..............................................................................................45
II.2.1 Erreurs dans la courbe de transfert de capteur .......................................................46
II.2.2 Fonction de transfert de capteurs ...........................................................................47
II.2.3 Linéarisation .........................................................................................................48
II.2.4 Linéarisation de caractéristique de capteur ............................................................49
II.2.5 Linéarisation basée sur l'ajustement de courbe « Curve-fitting » .........................50
Conclusion .......................................................................................................................51

Chapitre III : Modélisation du capteur ENFET par les ANN

Chapitre III : Modélisation du capteur ENFET par les ANN ...................................52

Introduction .....................................................................................................................53

III-1 Résultat de simulation pour le créatinine-EnFET du capteur .................................53

III-1-2 Influence du potentiel d9hydrogène initial pH0 ...................................................53

III-1-3 Influence de la constante de Michaelis ................................................................54

III-1-4 Influence de la quantité d9enzyme .......................................................................55

III.2 Modélisation du capteur ..........................................................................................56

iii
III.2.1 Choix de la base de données .................................................................................56

III.2.2 Création d9une base de validation ........................................................................57

III.2.3 L9apprentissage du réseau de neurone ..................................................................58

III.2.4 Mesure de la performance du modèle obtenu .......................................................63

Conclusion .......................................................................................................................65

Chapitre IV : Modèle intelligent (INV-ANN) du capteur

Chapitre IV : Modèle intelligent (INV-ANN) du capteur ..........................................66

Introduction .....................................................................................................................67

IV.1 Modélisation de l9INV-ANN...................................................................................67

IV.1.1 Linéarisation de la sortie du modèle.....................................................................67

IV.1.2 Création des bases de données et de tests.............................................................68

IV.1.3 L9apprentissage du réseau de neurone..................................................................69

IV.1.4 Mesure de la performance du modèle obtenu ......................................................70

Conclusion .......................................................................................................................72

Conclusion générale ........................................................................................................73

Référence ........................................................................................................................75

iv
Introduction
Générale
Introduction Générale

Introduction générale

Les espèces vivantes, afin de survivre, ont besoin de connaître leur

environnement, et ont ainsi développé des capteurs naturels suivant leurs besoins. Ces
capteurs leur permettent de localiser des proies, des prédateurs ou tout autre danger.
Pour l9homme par exemple, des informations en continu de son environnement lui sont
données par ses cinq sens, la vue, l9ouïe, l9odorat, le goût et le toucher. La connaissance
du monde qui nous entoure est primordiale. Ainsi l9hommea continuellement développé
des capteurs lui permettant de recevoir des informations sur toutes sortes de choses lui
étant utiles. Les premiers capteurs chimiques utilisés par l9homme sont le nez et la
langue. Il s9agit de capteurs naturels ou innés, liés à son évolution, qu9il a cherché à
copier au travers du développement de multitudes de capteurs "artificiels".

On définit le capteur comme étant "un dispositif qui fournit une sortie utilisable en
réponse à une grandeur à mesurer donnée", cette sortie utilisable est le plus souvent
électrique [1].

En 1970, Bergveld invente l9ISFET (Ion Sensitive Field Effect Transistor) [2], un
microcapteur basé sur la technologie à effet de champ. Ce MOSFET (Metal Oxide
Semiconductor Field Effet Transistor) modifié a permis la mesure du pH, puis, les
développements ont étendu la gamme de mesure à d9autres ions, et des nombreux
dérivés de ce capteur original ont vu le jour. Ces dérivés ne se limitent pas aux capteurs
chimiques mais aussi à des capteurs biochimiques. L9un des plus populaires est
l9EnFET (Enzymatic Field Effect Transistor), qui est un capteur enzymatique. Une
couche enzymatique recouvre la zone sensible et permet la détection de molécules
biochimiques comme l9urée [3], la créatinine [4]...

Les capteurs classiques montrent une caractéristique de transfert non linéaire. De

plus, l9influence de différents paramètres sur le modèle physique est notable dans un
milieu de travail assez complexe. Pour ce fait on a adopté les réseaux de neurone
comme méthode générale de linéarisation afin d9obtenir un capteur intelligent. Ce
principe, qui tend à se développer, fait appel au concept de capteur 'Intelligent'.

2
Introduction Générale

Il s'agit dans ce mémoire d9associer au capteur une structure électronique

permettant d'effectuer des corrections, afin d'obtenir une information précise sous forme
numérique, donc directement exploitable et pouvant être par exemple facilement
raccordé à un réseau industriel.

L9environnement Matlab est utilisé pour reproduire les résultats numérique de

l'EnFET, la programmation sur Matlab a permis d9ajuster les courbes de réponse de
notre capteur et de créer une base de données de notre modèle et une autre pour la
vérification. L9apprentissage du réseau de neurone est également un programme écrit en
Matlab qui est élaboré pour obtenir un réseau de neurone similaire à notre capteur.

Une linéarisation, par un programme Matlab, est appliquée à la réponse de

l'EnFET dont le but est de créer une base de données d9un élément de correction,
permettant de corriger la réponse non linéaire de l'EnFET. L9apprentissage pour cette
nouvelle base de données nous donne le modèle inverse INV-ANN. Notons que ce
composant est totalement différent de l9ANN qui reproduit le comportement du capteur
par contre le INV-ANN joue le rôle d9un correcteur de réponse.

Le premier chapitre est consacré à un rappel sur la théorie et le principe de

fonctionnement du transistor MOSFET conventionnel. L9extension de son utilisation à
la détection d9espèces chimiques nécessite de donner les principes fondamentaux de
l9électrochimie, à travers les principales réactions qui se produisent aux interfaces
(électrolyte/isolant/semiconducteur). A la fin de ce chapitre, nous faisons un état de l9art
sur les capteurs EnFETs au moyen d9une étude bibliographique.

Dans le deuxième chapitre, nous nous somme intéressé en premier lieu à une
présentation du réseau de neurone. Ensuite, on décrira quelques types d9erreurs de la
réponse des capteurs ainsi que les méthodes de linéarisation de ces erreurs.

Le troisième chapitre regroupe les interprétations des différents résultats issus de

la simulation du modèle analytique du capteur EnFET. Par la suite, nous donnerons une
synthèse sur les différents paramètres influant sur la réponse du capteur en vue de
l'application de la technique neuronal sur ce capteur en construisant un modèle ANN du
capteur à étudier. A la fin de ce chapitre, nous exposons les résultats de simulations
obtenus par cette technique en comparant ces résultats avec celles du modèle analytique.

3
Introduction Générale

Enfin, le dernier chapitre présentera les différentes étapes de la conception du

modèle inverse INV-ANN en vue d'obtenir une réponse linéaire.

Nous terminerons ce mémoire par une conclusion générale qui récapitule les
différents résultats trouvés.

4
 Chapitre I
Extension du fonctionnement du
MOSFET au capteur ENFET
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

I-1 Introduction
La très grande majorité des circuits intégrés logiques et analogiques et même des
capteurs sont fabriqués à base des transistors de type MOS (Métal-Oxyde-Semi-
conducteur) et des composants passifs (principalement des résistances et des
condensateurs).
Le fonctionnement du transistor MOSFET (à effet de champ) est simple dans le
principe, mais assez complexe quand on rentre dans les détails et quand on s9intéresse à
son optimisation. L'effet de champ désigne la possibilité de contrôler une conduction
par porteurs majoritaires dans un semi-conducteur dopé par l'influence d'un champ
extérieur. Donc la création d'un canal ionisé par effet de champ dans un semi-
conducteur, c'est le principe du MOSFET.
Le capteur de pH-ISFET (Ion Selective or Sensitive Field Effect Transistor) et le
capteur enzymatique ENFET sont issus du transistor MOSFET dont la grille est
remplacée par une membrane chimiquement sensible aux ions H+ en contact direct avec
la solution à étudier.

A cet effet, dans ce chapitre, on rappelle tout d9abord la structure et le principe de

fonctionnement électrique du transistor MOSFET conventionnel, ensuite son
application en premier lieu comme un capteur de pH ISFET et deuxièmement comme
ENFET (capteur enzymatique) en donnant aussi le principe de fonctionnement des deux
capteurs ISFET et ENFET respectivement. Puis on va présenter le modèle du capteur
créatinine-EnFET dans son environnement, ce qui va permettre de définir les paramètres
qui caractérise se capteur.

[Link] MOSFET

Le transistor MOSFET (Métal Oxyde Semiconcductor Field Effect Transistor) est,

de loin, le dispositif le plus répandu dans la production actuelle de composants semi-
conducteurs, car il est le composant de base de la technologie CMOS (Complementary
MOS), qui, à elle seule, englobe plus de 70 % de la production mondiale de circuits
intégrés [1,5].
Plusieurs sigles plus ou moins justifiés sont utilisés dans la littérature pour décrire le
transistor MOS (Metal Oxide Semiconductor) : MOSFET (MOS Field Effect

6
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Transistor), IGFET (Insulated Gate Field Effect Transistor) et MOST (Metal Oxide
Semiconductor Transistor) [1].

[Link] du Transistor MOSFET

Un transistor NMOS au silicium est fabriqué à partir d9un substrat semi-conducteur

habituellement du silicium type P, les zones source et drain de type N fortement dopées
sont équivalentes à des réservoirs d9électrons de chaque côté du canal. Une couche
mince de SiO2 isole le canal d9une métallisation constituant l9électrode de grille (métal
ou polysilicium fortement dopé).
La tension appliquée sur l9électrode de grille assure le contrôle de la conductivité du
canal. Le choix judicieux de la tension de grille va permettre le passage d9un courant
électrique entre la source et le drain. La Figure (I-1) représente le transistor à canal N
(substrat type P). Les paramètres les plus importants de la structure MOS sont:
La longueur du canal L, la largeur de canal W, l'épaisseur de l'oxyde tox, la largeur
de la jonction rj et le dopage du substrat Na.

(b) (a)

Figure I-1: Schéma d9un transistor MOS canal sur substrat type P. (a) schéma en
coupe. (b) schéma en vue 3D [1].

I-2-2 Principe de fonctionnement [5]

Un transistor est avant tout un interrupteur commandé: un signal électrique (courant ou

tension) de faible puissance, dit de commande, doit contrôler un signal électrique de
plus forte puissance.

7
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Cela permet deux types de fonctionnement: soit en amplification pour les applications
de type analogique, soit en tout ou rien pour les applications logiques.

Le transistor MOSFET se caractérise par le fait que la grille, par l9effet de champ
électrique, contrôle à travers l9oxyde de grille la densité de porteurs dans le canal du
dispositif et ainsi l9intensité du courant dans le canal L.

 MOSFET à canal non -préformé (Normally-OFF)

Le nom de transistor MOSFET découle de sa structure verticale : Métal /Oxyde/Semi-

conducteur. Cette structure, hachurée sur le schéma de la (Figure II-2) (a) est celle d9une
capacité Conducteur/Isolant/Semi-conducteur.

Figure I-2: Principe de fonctionnement d’un transistor MOS [7] :

(a) Etat bloqué ; (b) Etat passant.

Le principe de fonctionnement d9un tel dispositif est schématisé en Figure I-3. La

tension de grille crée un champ vertical qui par l9intermédiaire de la capacité MOS,
module la densité de porteurs libres à l9interface Substrat/Oxyde permettant ainsi de
commander sa conductivité.

8
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Lorsque la tension de grille ne permet pas d'obtenir la couche d'inversion

« convenablement » donc aucun courant ne peut circuler entre la source et le drain
quelle que soit la tension appliquée à l9électrode de drain; c9est l9état bloqué. Comme
illustré en Figure I-3, la tension de grille nulle sont dits <normally off = (par opposition
aux <normally on=, tels les transistors à canal N pré implanté).
Lorsque Vg devient supérieure à Vt, (la tension de seuil) le nombre de porteurs libres
à l9interface Substrat /Oxyde est suffisant pour qu9ils forment un canal conducteur (si et
seulement s9ils sont du même type que ceux des réservoirs de source et drain), figure II-
4; les porteurs du canal sont des électrons, le transistor est dit à canal N et est appelé
NMOS. Lorsque la tension de drain devient positive, un courant de drain ID peut
circuler dans le canal, c9est l9état passant.
La tension de seuil est donnée par la formule suivante

 M ý  si Qss  Qox ý Qb
VT ý ý  2 f (I-1)
q q

Où :  MS reflètent la différence des travaux de sortie entre la grille métallique ΦM et le

silicium ΦSi.
Les charges QOX, QSS et Qb sont respectivement les charges dans l9oxyde, à l9interface
oxyde-silicium et dans la couche de déplétion du substrat silicium et Φf est
caractéristique du niveau de dopage du substrat.

Figure I-3 : Transistor NMOSFET en régime linéaire [8].

9
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Ids(mA)

vgs(V)
VT(V)

Figure I-4: Caractéristique de transfert d9un MOSFET à enrichissement.

 MOSFET à canal préforme (Normally-ON)

Si le transistor possède un canal de conduction entre la source et le drain de telle

sorte que le dispositif est passant, même à la tension nulle de la grille, le dispositif
est appelé transistor MOS à appauvrissement (Normally-ON).

Figure I-5: Transistor MOSFET Normally-ON.

La caractéristique de transfert obéit à la forme de la figure I-6, où on constate que

la tension de seuil est négative.

10
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

ID(mA)

VT(V) VG(V)

Figure I-6: Caractéristique de transfert d9un MOSFET à appauvrissement.

I-2-3 Tension drain-source faible (zone linéaire):

Cette zone est également appelée zone ohmique qui correspond à une évolution
quasi-linéaire du courant de drain (Ids) pour de faibles valeurs de la tension drain source
( ). En effet, pour de faibles valeurs de la tension de drain, le canal reste de section
sensiblement uniforme sous la grille. Alors le rôle de la grille étant de contrôler la
densité de charges mobiles sous la grille, on peut caractériser ce contrôle par une loi
N( ) où N représente la densité surfacique de charges et la différence de potentiel
appliquée entre grille et source. À une tension drain-source Vds faible, on peut admettre
que la densité de charges N est uniforme sous la grille. La figure (I-7) montre la zone
linéaire.

Le courant Ids est donné par la formule suivante :

W ù 1 ù (I-2)
I D ý  n Cox ú(VGS ý VT )VDS ý ø1  ô ùVDS2 ú
L û 2 û

Où :
Cox : la capacité de la grille par unité de surface ;
µ n : la mobilité des porteurs dans le canal;
L: la longueur du canal ;
W : la largeur (perpendiculaire à L).

11
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

÷
ôý
2 2ö f  VSB (I-3)

2qN aö f
÷ý
Cox (I-4)
VSB : tension source bulk.
La tension de seuil, VT est donnée par l9équation suivante :

VT ý VT 0  ÷ ø 2ö f  VSB ý 2ö f ù
(I-5)
Avec :

VT 0 ý VBP  2ö  ÷ 2ö f
(I-6)
фF: est la différence de potentiel entre le niveau de Fermi E F du silicium dopé et son
niveau intrinsèque Ei,

KT ö N a ö
öf ý ln ÷ ÷
q ÷ø ni ÷ø (I-7)
VBP : C9est la tension de bande plate elle est donné par l9équation suivante :

ö Q ö
VBP ý öms ý ÷÷ Qss ý ox ÷÷
ø Cox ø (I-8)
Où φm et φs : représentent le travail de sortie du métal et du semi-conducteur,
respectivement,

ö e ö KT ö ö N ö ö
öms ý ÷÷ ó  g  ÷÷ ÷÷ ln ÷÷ a ÷÷ ÷ ý öm
ø 2 ø q ø ø ni ø ÷ø (I-9)
 Qb : la quantité de charges de la couche de déplétion ;
 Qox: la quantité de charges fixes dans l9oxyde;
 Qss: la quantité de charges à l9interface semi-conducteur-oxyde ;

I-2-4 Tension drain-source élevée (zone de saturation)

L'augmentation de la tension drain-source ( > Vg - VT ) a plusieurs effets:

12
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

la couche d9inversion devient non uniforme sous la grille ; elle diminue du côté
source au côté drain: c'est l'effet de pincement du canal.
le champ électrique longitudinal sous la grille augmente et devient non
uniforme. La vitesse des électrons n'est plus proportionnelle au champ
électrique. Dans le cas des grilles courtes (L < 1 μm), le gradient spatial de
champ électrique est important, ce qui rend le transport électronique non
stationnaire (la vitesse ne suit plus la caractéristique v(E) obtenue en champ
uniforme.
des électrons sont injectés dans le substrat produisant un courant parasite qui
est à l'origine de la valeur non nulle de la conductance de sortie. L'addition de
tous ces phénomènes entraîne une saturation du courant de drain en fonction
de la tension . Pour les valeurs de tension très importantes, le champ
électrique sous la grille peut être suffisant pour induire de la multiplication par
avalanche et, dans ce cas, le courant drain augmente très rapidement : c'est
le phénomène de claquage, qui est généralement destructif et qui constitue une
limitation fondamentale des performances des transistors de puissance.
La figure (I-7) montre la zone de saturation.

W
ý  n Cox
øVgs ý VT ù
2

I Dsat (I-10)
L 2ø1  ô ù

La zone de saturation

Pinch-off

La zone linéaire

Figure I-7 : Caractéristique , ).

13
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

I-2-5 Transconductance et conductance de drain

L'expression de permet de calculer les deux paramètres

fondamentaux du transistor qui sont la transconductance et la conductance du canal
appelée conductance de drain .
Lorsque le transistor est polarisé à un point de fonctionnement donné par les
tensions statiques et , le courant de drain est . La variation du courant du drain
résultant des variations de tensions de grille et de drain s'écrit:

(I-11)

Ce qui permet de linéariser le fonctionnement du transistor autour d'un point de

polarisation par l'expression:

(I-12)
Où , et représente respectivement les variations du courant de drain et des
tensions grille- source et drain-source.
La transconductance est donnée par:

. (I-13)

La conductance gd quantifie l9imperfection de la saturation. Elle est égale à la pente de

la courbe ID(Vds) à Vds>Vdssat

. (I-14)

14
 Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Conductance Transconductance
Régime ohmique Régime saturé
W õ ox V 1 Wõ Régime saturé
I ý n (VG ý VT ý D )VD I ý n ox (VG ý VT )2
L eox 2 2 L ' eox
|I | 1 Wõ
I ý n ox (VG ý VT )2 Diminution de la mobilité
|I | Diminution L’ 2 L ' eox liée au fort champ électrique
avec VD transversal qui induit
des chocs avec la surface
Transistor
bloqué Régime ohmique
I ý Idiffusion W õ ox V
Ici, dérivée nulle
de la parabole I ý n (VG ý VT ý D )VD
du régime ohmique ( sous ý le ý seuil ) L eox 2
( faible)

VG - VT VD VT VT+VD VG
VT+VD/2
Figure I-8: Conductance et transconductance du canal.

I-2-6 Principaux paramètres des MOSFET [5,6]

Les trois régimes de fonctionnement (bloqué, linéaire et source de courant) décrits au

paragraphe précédemment sont indiqués sur les caractéristiques ID (Vds) à différentes
tensions de grille Vg dans la figure (II-9).
L9état passant d9un transistor MOSFET se caractérise principalement par :
 La résistance à l9état passant Ron : inverse de la pente de courbe ID(Vds) à Vg = VDD
et faible VDS.
 Le courant de saturation: Ion, c9est-à-dire le courant ID à Vg = VDD et Vds = VDD
Figure (I-9).
 La transconductance .

 La conductance .
Au-dessous du seuil, le blocage n9est pas parfait, il existe un courant faible mais non
nul (ID ≠ 0). Ce courant n9est pas un courant de conduction comme à l9état passant mais
un courant diffusif, d9où la dépendance exponentielle de la caractéristique ID(Vg) sous
le seuil.
 Le courant à l9état bloqué Ioff correspond au courant ID à Vg= 0 et Vds = VDD
Figure (I-9).
 De plus on définit la pente sous le seuil S comme l9inverse de la pente log [ID (Vg)]

à faible Vg soit

15
 Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

 La modélisation du courant sous le seuil donne une pente :

Où KB est la constante de Boltzmann, T la température, q la charge élémentaire, C ox la

capacité d9oxyde et CZCE la capacité de la zone de charge d9espace. Pour Cox >> CZCE on
obtient la pente S idéale Sidéale = KB×T/q×Ln(10), c9est-à-dire égale à 60 mV par décade
à 300K.

Figure I-9:Caractéristique ID(Vgs) à Vds = VDD Figure I-9:Caractéristique log [ID(Vgs)] à Vds =
typique d9un NMOS. Ion, Gm et VT sont indiqués. VDD typique d9un NMOS. Ion, Ioff et S sont
indiqués.
I-3 Capteur ISFET :
[Link] de fonctionnement des ISFETs
En 1970, Piet Bergveld [2] développa un nouveau procédé électronique permettant de
mesurer l9activité des ions dans un milieu chimique et biochimique. Il utilisa le principe
d9une électrode de verre et d9un transistor à effet de champ. Il mit en évidence la
sensibilité aux ions H+ d9un transistor MOS (Métal-Oxyde-Semiconducteur) sans grille
métallique. Il introduisit ainsi le premier capteur chimique (ChemFET) à effet de
champ, l9ISFET (Ion Sensitive Field Effect Transistor). La méthodologie de l'ISFET
pour la mesure d'ions est développée sur la base du transistor MOSFET (transistor à
effet de champ commandé en tension par une grille métallique). Le principe de base du
transistor MOSFET est de pouvoir contrôler le courant circulant entre deux zones de
semi-conducteur (source et drain) par l9application d9une tension Vgs sur la grille.

16
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Figure I-10 : Capteur chimique ISFET [10].

L'électrode de grille métallique est isolée du drain et de la source au moyen d9un oxyde
de silicium (SiO2) et commande le courant drain source (Ids) électrostatiquement.
L9impédance d'entrée, extrêmement élevée de l'électrode de grille implique qu'il n9est
pas nécessaire d9appliquer une grande tension d'entrée pour commander ce courant (Ids).
Dans le cas de l'ISFET, la grille métallique est remplacée par une électrode de
référence, l9électrolyte à analyser est une grille isolante sensible à la concentration en
ions recherchés (par exemple H+). Le système fondamental de mesure de l'ISFET est
montré sur la figure (I-10).
Quand Bergveld présenta pour la première fois le composant ISFET, celui-ci
fonctionnait sans électrode de référence. Cependant, des travaux ultérieurs ont indiqué
que les opérations propres à l'ISFET demandent la présence d'une électrode de référence
pour établir un potentiel dans l'électrolyte en contact avec le substrat en silicium [32].

I-3-2 Principe physico-chimique de détection

On rappelle l9équation qui régit la tension de seuil d9un MOSFET présenté
précédemment [1,2] :
 M ý  si  ss   ox
VT ý ý  2 f (I-15)
q q
Dans le cas de l9ISFET, le même procédé de fabrication est utilisé.

17
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Cependant des contributions supplémentaires se manifestent; en effet l9électrode

métallique de grille du MOSFET étant remplacée par une électrode de référence,
l9électrolyte et la couche chimiquement sensible, l9équation précédente devient [5,9]:
 si  ss   ox   b
VT ( ISFET ) ý Eref  ó sol ý  0 ý ý  2 f (I-16)
q q
M
VT ( ISFET ) ý VT ( MOSFET ) ý  Eref  ó sol ý 0 (I-17)
q
Le terme Eref représente le potentiel de l9électrode de référence, ψ est le potentiel
chimique en fonction du pH et Çsol est un paramètre constant représentant le potentiel de
surface du solvant.
Le principe de fonctionnement du capteur chimique ISFET est donc basé sur le
piégeage d9ions au niveau de la couche sensible. Les charges piégées induisent une
variation du potentiel chimique ψ et donc de la tension de seuil du transistor Vt.

I-3-3 Détermination du potentiel chimique  0 :

La modélisation des ISFET fournit des outils importants pour la prédiction des
fonctions qui régissent le fonctionnement du dispositif surtout pour des nouvelles
membranes sensibles qui peuvent être utilisées pour fabriquer des dispositifs avec une
sensibilité élevées.
Depuis l'introduction du modèle de site binding, des nombreux modèles ont été
développés certains sont physico-chimique et certaines sont basées sur SPICE
(Simulation Program Integrated Circuit Emphasis).
Mais quelle que soit l'approche utilisée, l'objectif de base de la modélisation d9ISFET
est d'obtenir une relation de la forme  0 = f (pH) et presque tous les modèle sont
considéré l'état de charge de la neutralité d9une structure électrolyte/isolant/semi-
conducteur (EIS) [10] conjointement avec la théorie du site binding et la théorie de la
double couche électrique.
I-3-3-1 Etude de l’interface solide-électrolyte

Du fait de la dimension finie des ions et des molécules de solvant dans une solution
électrolytique, il apparaît une différence entre les zones de charge d9espace d9un
système solide-électrolyte.

18
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Une solution électrolytique a des ions appelés anions et cations. Ces ions forment des
paires d'ions avec les sites de la surface de charges opposées, un processus connu sous
le nom de complexassions de surface.
La formation des complexes de surface réajuste également l'acide - base et affecte la
charge de surface en compensant partiellement les sites chargés. Bien sûr la répartition
des ions dans la solution d'électrolyte peut être bien expliquée à l'aide de la théorie de
Gouy 3 Chapman 3 Stern [11].
Selon cette théorie, les deux couches sont formées dans l'électrolyte. Une couche interne
et une couche diffuse.
La couche interne appeleé aussi couche d9Helmholtz est constituée de deux plans ; le
premier appelé plan intérieure d9Helmholtz (PHI) et le plan externe de Helmholtz
(PEH). PIH est le lieu des centres d'ions adsorbés qui forment des paires avec des sites
de surface chargés.
Stern [12] a amélioré ce modèle en tenant compte de la taille des ions solvatés et en
considérant que ceux-ci ne pouvaient s9approcher de la surface que jusqu'au plan interne
d9Helmholtz (PIH). La deuxième couche appelée couche de Stern est réservée aux ions
solvatés. Cette région s9étend de la distance de contact entre les ions adsorbés et les ions
solvatés jusqu9au centre des ions solvatés. Le centre des ions solvatés, le plus proche de
la surface du solide est appelé plan externe d9Helmholtz (PEH) [8,13].
La couche diffuse s'étend à partir de PHO au sein de l9électrolyte et contient des ions
non spécifiquement absorbés qui se comportent comme un nuage ionique équilibrée
par les sites de surface non compensés. Cette couche diffuse est comparable à la zone de
charge d9espace des MOSFETs; l9extension de cette couche dépend du potentiel et de la
concentration en ions de l9électrolyte [14].
Avec ce modèle, la double couche électrique se comporte comme deux condensateurs
CH et CD en série où CH est la capacité d'Helmholtz et CD est la capacité de la couche de
diffusion comme indiqué sur la figure (I-11).

19
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Figure I-11 : Distribution des espèces à l9interface-solide électrolyte, (modèle site

binding de la double couche électrique) [14].

Figure I-12: Distribution des charges et de potentiel d9un ISFET PH<PHpzc.

20
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

La relation entre le potentiel électrique φ0(x) à une distance x du plan PEH et la densité
de charge d9espace ρ(x) est donc :

d 2 0 ( x ) ò ( x)
ý ý (I-18)
dx 2 õ 0 .õ r
Où : ·r est la permittivité de l9eau et ·0 celle du vide.
La distribution des ions dans la double couche sous l9action du potentiel et de l9agitation
thermique est décrite par la statistique de Boltzmann :
ü q  ( x) ü
Ci ( x) ý Ci 0 . exp ýý i 0 ý (I-19)
þ k .T þ
Où : Ci et qi sont respectivement la concentration et la charge de l9ion (i).
La densité de charge est :
ü qi0 ( x) ü
ò ( x) ý õ qi .Ci ý õ qi .Ci 0 . exp ýý ý (I-20)
i i þ k .T þ
La combinaison des équations I-3 et I-5 conduit à l9équation Poisson-Boltzmann :

d 2 0 ( x) 1 ü q  ( x) ü
dx 2
ýý
õ 0 .õ r
õ q .C
i
i i0 . exp ýý i 0 ý
þ k .T þ
(I-21)

Pour un électrolyte symétrique, dans lequel les ions ont une charge de valeur absolue q:
q+=q-=q
c+=c-=c
Il est possible d9intégrer l9équation I-21 avec comme conditions aux limites :

0 ( x) ý 0 d àx ý0

d 0 ( x )
ò0 ( x) ý 0 donc ý0 à x 
dx
La solution de l9équation (I-21) est alors donnée par :
1
d 0 ( x ) ö [Link].C ö 2 q ( x ) ö
ý ý÷÷ ÷÷ . sinh ö÷ 0 ÷ (I-22)
dx ø õ 0 .õ r ø ø 2.k .T ø
En utilisant la loi de Gauss, on obtient la charge de la couche diffuse :
ö q0 ( x) ö
ó d ý ýø8.õ 0 .õ r .k.T .C ù 2 . sinh ÷
1
÷ (I-23)
ø 2.k .T ø
Il est maintenant possible de calculer la capacité différentielle Cd de la couche diffuse en
différenciant l9équation précédente :

21
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

1
dó d ö 2.q 2õ 0 .õ r .C ö 2 ö q ö
Cd ý ý ý÷÷ ÷÷ . cosh÷ 0 d ÷ (I-24)
d 0 d ø k .T ø ø 2.k .T ø
Cette capacité diffuse, qui varie avec la concentration passe par un minimum.
Cd croît rapidement de part et d9autre de ce minimum. Stern [13], en tenant compte de la
taille finie des ions, et du fait qu9ils ne peuvent approcher la surface qu9à une distance
finie, a montré que la capacité est en réalité constituée de deux composantes montées en
série [13]:
 une capacité indépendante du potentiel correspondant à la capacité des charges
portées par le plan externe d9Helmholtz,
 une capacité en forme de V correspondant à la capacité de la charge réellement
diffuse.
I-3-3-2 Interface Electrolyte-Isolant-Solide (EIS)
Le mécanisme responsable de la variation de la charge de surface peut être expliqué par
la théorie du site binding bien connu introduit en 1973 par Yates et al [14] pour décrire
les propriétés d'une interface électrolyte / oxyde, et elle a été généralisée en 1986 par
Fung et al [15] pour caractériser le capteur ISFET avec des isolants d'oxyde, selon cette
théorie, la surface d'isolation contient des groupes hydroxyle (OH) qui peuvent être
protonés (donc se chargé positivement) ou déprotonés (donc se chargé négativement)
en fonction de la concentration des ions d9hydrogène dans l'électrolyte. Les groupes
hydroxyles de surface, qui peuvent fixer les ions d9hydrogène sont appelés sites de
liaison.
Dans le cas de SiO2 isolant, il est supposé qu'il n'a qu'un seul type de site de liaison
spécifique H+ représentée par SiOH, SiO- et SiOH+. Les réactions d'ionisation sont:
Si ý OH  Si ý O ý  H 

Si ý OH  H   Si ý OH 2

Avec H+ représente les protons au voisinage de la surface.

Il est donc clair que la surface initialement neutre peut devenir un site positif en
acceptant des protons de l9électrolyte ou un site négatif en donnant des protons à
l'électrolyte. A la suite de ces réactions chimiques à l'interface, la surface d'oxyde
initialement neutre contenant des sites neutres est transformée en une surface chargée
avec des sites positifs et négatifs ; donc ces ions sont responsables de l9état de charge à
l9interface SiO2/électrolyte. Au contact de la solution aqueuse, des groupements de
silanol (SiOH) se forment à la surface de l9isolant. Ces groupements peuvent être,
22
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

chargés positivement, ou chargés négativement ou neutres, suivant le pH de la solution.

Donc, H+ et OH- sont désignés comme des ions qui déterminent le potentiel pour cette
interface.
Le pH particulier pour lequel la surface de la membrane a zéro charge est appelé «pH au
point de charge nulle» pHPCN ou (pHpzc). La présence de ces groupements de charges
amène une correction à l9équation de Nernst habituellement utilisée en électrochimie.
La figure (I-13) illustre les trois différents types de groupements silanols à la surface
d9une membrane.

Figure I-13 : Représentation schématique de la théorie du site-binding [16].

La manière la plus simple de calculer la relation reliant la différence de potentiel entre

la surface de l9isolant et l9électrolyte (φ0) et la charge de surface de l9isolant (Ã0) est
d9utiliser les constantes d9équilibres ka (constante d9acidité) et kb (constante de basicité)
des réactions de dissociation des sites hydroxyles amphotères.
pH þ pH PZC Si ý OH  Si ý O ý  H S

   Si ý OH 
Avec k a ý Si ý O ý H S

pH ü pH PZC Si ý OH  H S  Si ý OH 2

Avec 
k b ý Si ý OH 2  Si ý OH H 

S

Où Hs représente la concentration en ions H+ à la surface de l9isolant et [H+] représente

la concentration des ions H+ dans l9électrolyte. Comme dans l9équation I-19, la
distribution des ions hydrogène dans l9électrolyte peut être décrite par la statistique de
Boltzmann :

23
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

q 0
H  ý [H

S

] exp(ý
kT
) (I-25)

La théorie du site binding permet ainsi de montrer que :

1
ök ö 2ö q 0 ö
H 

ý ÷÷ a ÷÷ ÷ exp( ý ) ÷ F ( 0 ) (I-26)
ø kb ø ø kT ø

En prenant le logarithme de l9équation précédente, on aboutit à :

1
ök ö 2
q 0
PH ý ý log ÷÷ a ÷÷ ý ý log F ( 0 ) (I-27)
ø kb ø kT (ln 10)

Ainsi, en isolant le potentiel ϕ0, on obtient :

q 0
 G ( 0 ) ý ln(10).( pH pzc ý pH ) (I-28)
kT
Avec

ök ö
pH pzc ý ý 1 log ÷÷ a ÷÷ (I-29)
2
ø kb ø
Donc

KT ò
 0 ý 2.3 ø pH pcn ý pH ù. (I-30)
q ò 1

ò est le facteur significatif de la qualité de l9interface isolant/ électrolyte.

2q 2 N S
ò ý 1 (I-31)
ö Ka ö 2

÷
÷K ÷ ÷ CD KT
ø b ø

Ce terme β va rendre compte de la sensibilité finale. Il est fonction de l9équilibre acide

base relatif aux réactions de surface, du nombre total de sites amphotères à la surface de
l9isolant NS et de la capacité de la double couche CD (équation 24).
Ainsi, la sensibilité de l9ISFET sera définie par :

d0 kT ò
Sý ý ln 10. . (I-32)
dpH q ò 1

24
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Pour un bon nitrure (β >> 1), à T = 300°K, la sensibilité est Nernstienne (S ≈ 59 mV/pH)
[13].
I-4 Capteur ENFET :
[Link] et principe de fonctionnement des ENFETs
Depuis son développement dans les années soixante pour les patients
souffrantd'insuffisance rénale, l'hémodialyse a été en évolution afin d'améliorer la santé.
Aujourd'hui, afin de procéder a cette operation, l'efficacité de dialyse doit être connue
avec précision par connaitre la concentration d'urée et de la créatinine au cours du
traitement d'hémodialyse.

La modélisation des mécanismes enzymatiques a été d9abord présentée par Michaelis et

Menten [17] en 1913, qui décrivent la cinétique d9une réaction enzymatique en fonction
de la concentration du substrat et de son affinité avec l9enzyme. Le premier modèle d9un
biocapteur enzymatique a été publié par Racine and Mindt en 1971 [18]. Ce modèle
décrit le fonctionnement d9une électrode ampérométrique, ne prend pas en compte les
phénomènes de saturation, ainsi considère l9équation de Michaelis-Menten comme étant
purement linéaire, et ne prend en compte que la diffusion du substrat. Puis de nombreux
modèles de capteurs ampérométriques plus complets apparaissent, dont celui de Bartlett
et al, qui prend en compte tous les mécanismes enzymatiques (Michaelis-Menten),
l9activité enzymatique, les caractéristiques de la membrane, la diffusion du substrat et
des espèces générées en intégrant que les effets du coefficient de diffusion [19].

D9autres modèles de capteurs ampérométriques sont apparu par la suite, souvent décrits
pour une application donnée. Un ouvrage, paru récemment en 2009, a été consacré à ces
modèles reprenant les derniers travaux concernant la modélisation de ce type de capteur
[20].

25
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Figure 1.10: Schéma du modèle du capteur conductimétrique de l9urée.

Toujours dans les détecteurs enzymatiques, des modèles ont été développés pour les
capteurs conductimétriques, dont le modèle de référence est celui proposé par Sheppard
et al [21], qui présente un modèle d9un capteur conductimétrique pour la détection de
l9urée. Ce modèle de capteur sensible à l9augmentation de la conductivité de la solution
à la surface, due à l9hydrolyse de l9urée, est présenté figure 1.10, où est illustré le
capteur en coupe ainsi que les variations spatiales de la concentration de l9urée et des
produits issus de la réaction enzymatique.

Le modèle prend en compte la réaction enzymatique et sa cinétique (Michaelis-Menten),

les réactions chimiques afin de déterminer les ions participant à la conduction des
charges, la diffusion des espèces dans la solution (loi de Fick), les phénomènes de
transport de charges, la géométrie de l9électrode et les propriétés des matériaux utilisés.

Concernant les EnFETs, l9objet de notre étude, les premiers travaux de modélisation du
capteur potentiométrique EnFET ont été réalisés par Caras et Al. En 1985, où ils
présentent le modèle du Glucose-EnFET et du pénicilline-EnFET [21] [22]. Leur
modèle (figure 1.11) très simplifié, considère que la réaction enzymatique ne produit
qu9un seul acide. Il prend en compte la diffusion du substrat et du produit de la réaction
enzymatique (l9acide), en considérant que leurs coefficients de diffusion sont égaux et

26
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

négligeables devant la diffusion des protons H+. La concentration des couches

enzymatiques est considérée en excès, le milieu n9est pas pris en compte. Le pH est
calculé en fonction seulement de la génération/consommation de la réaction
enzymatique sans la prise en compte des réactions chimiques qui peuvent interagir dans
la solution.

Figure 1.11: Schéma de l9EnFET de Caras [3].

Un autre modèle a été développé, à partir de la modélisation de l9ISFET [23].

Celui-ci très simpliste, partant de l9équation chimique générale de la réaction
enzymatique, suppose que la consommation d9une môle d9urée, produise une môle
d9ion ammonium (NH+4). De cette équation, ils estiment que la variation de la
concentration locale à la surface du capteur de proton est égale à la variation de la
concentration d9urée. Ainsi ils en déduisent une relation simple entre la concentration en
urée et le pH, (pH = α* pUrée), où le coefficient α (inférieur à 1) représente les
limitations dues à la diffusion de l9urée dans la solution et les effets du tampon.

Dans la littérature, peu de travaux dédiés à la modélisation des EnFETs ont été réalisé
depuis. Ainsi le LAAS a entrepris de réaliser un modèle pour la créatinine-EnFET [24]
et l9urée EnFET [25] [26]. Dans les travaux de thèse de Marie-Laure Pourciel-Gouzy un
modèle de l9urée-EnFET qui prend en compte les mécanismes enzymatiques décrit par
Michaelis-Menten et les réactions acido-basiques, a été proposé. Ce modèle permet
d9étudier l9influence du pH initial de la solution et les différentes concentrations des
espèces issues de la réaction enzymatique. Quelques hypothèses sont faites, pour
s9affranchir de l9effet de la cinétique de réaction, la concentration du substrat est
supposée très grande, permettant de dire que la vitesse de réaction en est indépendante.
D9après l9équation de Michaelis-Menten, la vitesse de la réaction est ainsi supposée
constante et toujours maximale. Ce modèle permet d9intégrer les réactions acido-
basiques mais reste à compléter par la prise en compte de la diffusion.

27
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Ainsi, d9après ce que nous avons vu précédemment on peut trouver quelques modèles
fiables et assez complets pour les capteurs ampérométriques et conductimétriques, de
plus, concernant notre cas ou on envisage d9étudier un capteur EnFET, on retrouve des
travaux où les différents phénomènes physico-chimiques liés à la réaction enzymatique,
la diffusion des espèces issues de cette réaction enzymatique ou les réactions acido-
basiques sont traitées simultanément [27]. Ceci montre la nécessité de développer une
autre approche afin de pouvoir simuler le fonctionnement de l9EnFET.
I-4-1-1 Etude théorique

Le principe de détection de creatinine ENFET est basée sur l'utilisation d'une

SiO2 / Si3N4 pH-ISFET adapté à la détection enzymatiquegrâce à une PVA créatinine
déiminase riche.
La technologie EnFET fondée sur la mesure de pH avec des ISFET est plus
spécialement adaptée à la famille enzymatique des hydrolases. Ce dernier type
d9enzyme qui est en effet responsable de l9hydrolyse de la fonction amine NH2 et ainsi
de la production d9ammoniaque NH4OH en phase aqueuse.
La première étape du fonctionnement de ce capteur est la consommation du substrat par
la réaction enzymatique pour produire des molécules NH3. En présence d9eau, ces
molécules vont se transformer en ions ammonium NH4+ afin d9équilibrer les réactions
acido-basiques du couple NH4+/NH3. Le phénomène est connu pour être responsable
d9une augmentation de pH. Ainsi nous avons un aperçu des phénomènes physico-
chimiques agissant au sein d9une structure enzymatique qui vont être explicités pour le
créatinine-EnFET.
I-4-1-2 Détection d’un substrat à partir d’une enzyme
Les enzymes sont des protéines capables de catalyser des réactions chimiques
(biocatalyseurs) de manière spécifique. La particularité d9une enzyme est de posséder
un site actif. Ce site actif est une petite zone privilégiée de la protéine enzymatique dont
la géométrie a une importance considérable sur la spécificité. Il a deux fonctions
principales liées à la fixation du substrat et à sa transformation.
Pour exprimer l9activité des enzymes, E.L. Michaelis, M. Menten et V. Henri [17], ont
proposé un schéma réactionnel selon lequel un substrat S est transformé en un produit P
en passant par l9intermédiaire d9une phase transitoire de création d9un complexe
Enzyme-Substrat spécifique.

28
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Figure 1.12: Catalyse d9une réaction chimique par une enzyme.

La cinétique de la réaction est donnée par l9équation de Michaelis-Menten

[S ]  K m
v ý vmax (I-33)
[S ]

où v est la vitesse de la réaction chimique et vmax est sa valeur maximale, [S] est la
concentration du substrat en solution et KM est la constante de Michaelis :
K ý1  K ý 2
Km ý (I-34)
K1
En fait, vmax est appelé activité enzymatique. Une unité d9activité enzymatique
est la quantité d9enzyme qui catalyse la transformation de 1 mole de substrat par minute,
soit aM = 16, 67×10-9mol/s.

Figure 1.13: Courbe de Michaelis-Menten [17].

Les enzymes sont piégées dans une couche d9alcool polyvinylique (PVA) qui sert de
matrice d9immobilisation. Le terme de production/consommation des espèces

29
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

biochimiques g exprimé en moles par unité de volume et unité de temps dépend donc du
nombre d9unités d9activité enzymatique par unité de volume Nenz contenu dans la
couche PVA du capteur. Il s9écrit :

[S ]  K m
g ý am N enz (I-35)
[S ]

I-4-2 Détermination de la concentration et du pH

L9acidité ou la basicité d9une solution est déterminé à partir du potentiel d9hydrogène.
Ce dernier, a été définie par Sørensen au début du XXe siècle comme étant le
cologarithme décimal de la concentration en ions hydrogène [28].
PH ý ý log øH  ù (I-36)
Dans un milieu aqueux, l9ion hydrogène est solvaté par des molécules d9eau et se
retrouve sous la forme d9un ion hydronium H3O+, ainsi le pH est en fait une mesure de
la concentration de l9ion hydronium donc on a :
H+ = [H3O+] (I-37)
Si on met un acide dans une solution aqueuse, on trouve une base et un ion hydronium.
La force d9un acide est donnée par la constante d9acidité Ka, appelée aussi la constante
de dissociation, et s9écrit :
[base ][H  ]
PH ý (I-38)
[acide]
Ainsi plus la constante d9acidité est grande, plus l9acide se dissocie dans l9eau, et donc
plus l9acide est fort. Habituellement, dans la littérature c9est le cologarithme de la
constante d9acidité qui est utilisé.
pka ý ý log økaù (I-39)
Comme un composé chimique est consideré électriquement neutre, les charges positives
présentes dans une solution sont compensées par la présence de charges négatives
opposées. De même le nombre d9anions est égal au nombre de cations, donc on peut
constater que l9eau pure se dissocie selon la réaction suivante :
2 H 2O  OH  H 3 O 

D9après la réaction précédente on peut calculer la constante de dissociation comme suit:

Ke ý [OH ý ][H 3O  ] (I-40)
Cette dernière, appelée aussi produit ionique de l9eau, est donnée dans les conditions
normales de pression et de température égale à 10-14, donc pKe = 14.

30
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Après avoir calculer les concentrations chimiques de toutes les espèces acido-basiques
consommées ou produites lors de la réaction enzymatique, et après avoir pris
connaissance des réactions chimiques correspondantes, ainsi que les différentes
constantes d9acidité on pourra d9établir l9équation d9électroneutralité. La détermination
de cette équation nous donne la possibilité de déterminer la fonction pH de la solution
en tout point.

I-4-2-1 Détermination de la réponse potentiométrique de l’EnFET

La description du principe de fonctionnement de l9ISFET précédemment, lie de manière
simplifiée la tension de seuil VT au pH par la relation [29] :
VT = VT0 + S(pH - pHpzc) (I-41)

Avec :
 S représente la sensibilité du capteur en mV/pH, elle est donné par l9équation (I -
32).
 VT0 est la tension de seuil du capteur ne dépendant que des paramètres
technologiques vu dans la section (I-3-2) et elle est présenté par l9équation (I -
15).
 pHpzc : pH au point de charge nulle.

I-4-3 Etude du créatinine ENFET

I-4-3-1 Equations chimiques
La créatinine déiminase est responsable de l'hydrolyse de la créatinine dans une solution
aqueuse :
créatinine  H 2O  créatinine
  N ý méthylhyda ntoine  NH 3
déi min ase

La N-méthylhydantoine n'ayant aucune propriété acido-basique, cette réaction

enzymatique est responsable d'une variation de pH due à la formation d'ammoniac NH3
en solution aqueuse :

NH 3  H3O  NH 4  H 2O
I-4-3-2 Calcul de pH
Le modèle créé se base sur les équations de l'équilibre chimique, de conservation des
espèces chimiques et d'électroneutralité. Grace à ces équations nous allons établir une
équation qui va nous permettre de déterminer le pH de la solution en fonction de la
production enzymatique.

31
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

On pose : [H3O+]= h+
En considérant les concentrations des différentes espèces chimiques présentes en
solution aqueuse, les équations caractéristiques du système chimique NH4+/NH3
donnent:
[ NH 3 ]h 
 ý K1
NH 4 (I-42)
h+[OH-] = Ke
[NH4+]+[NH3] = CP
h+ + [NH4+] = [OH-] + Ct
Où:
-K1 est la constante de dissociation du couple NH4+/NH3 (K1= 5,62.10-10mol/L).
-Ke est le produit ionique de l'eau (Ke = 10-14; pKe= 14).
-Cp est la concentration d'ammoniac produit par la réaction enzymatique.
-Ct est une constante assurant l'électoneutralité de la solution ( pour une solution initiale
de potentiel hydrogène pH0, Ct= 10-pH0 - 10(-pKe+pH0)).
A partir des équations (I-42), on obtient :
h+3 + (K1 + Cp- Ct)h+2 -(Ke + K1Ct)h+ - KeK1 = 0 (I-43)
Ce polynôme de troisième degré va permettre de déterminer la concentration d'ions
H3O+ et ainsi la valeur de potentiel hydrogène (pH = -log [H3O+])

[ S ]K m
g ý am N enz (I-44)
[S ]

I-5 Conclusion

Les caractéristiques des capteurs (sensibilité et sélectivité) ne dépendent que des

propriétés chimiques des couches ionosensibles. Si l9utilisation d9une électrode de
référence ne permet pas leur intégration complète, des solutions, actuellement à l9étude,
passent par la fabrication des microélectrodes de pseudo référence en faisant appel aux
métaux nobles (or, platine).
Pour expliquer le fonctionnement de cette structure ISFET, la théorie du «Site-
Binding» qui semble la seule théorie utilisée à l9heure actuelle a été présentée, ainsi que
le modèle de « Gouy-Chapman-Stern » qui décrit la distribution du potentiel dans la
couche diffuse de l9interface solide / électrolyte.

32
Chapitre I Extension du fonctionnement du MOSFET au capteur ENFET

Dans ce chapitre Nous avons rappelé dans un premier lieu les principales
caractéristiques et le mode de fonctionnement des différentes structures, à savoir le
transistor MOSFET à canal N et P.
En deuxième lieu, on a décrit le fonctionnement électrochimique du capteur ISFET.
Cette étude va nous permettre de passer à l9étude du capteur EnFET fondée sur la
mesure de pH et le développement d9un modèle analytique qui se base sur des équations
implicites qui pourront être résolu numériquement, ce qui représente l9inconvénient
majeur de ce modèle. Ce problème peut être résolu en utilisant la technique des réseaux
de neurones ce qui fera l9objet du chapitre suivant.

33
 Chapitre II
Réseaux de neurones et linéarisation
Chapitre II Réseaux de neurones et linéarisation

II.1 Introduction

Dans la première partie de ce chapitre, nous présentons le modèle mathématique

que nous emploierons dans les chapitres suivants pour décrire, d9une part, les
définitions fondamentales relatives aux réseaux de neurones et, d9autre part, un
neurone artificiel, c9est `a dire un ensemble de neurones reliés en réseau. Le modèle que
nous présentons dans ce chapitre est commun à beaucoup d9architectures. Ensuite nous
nous attacherons à détailler le type de réseaux de neurones utilisé dans notre mémoire
(MLP), et plus particulièrement ces propriétés et sa mise en Suvre. Pour avoir une
idée sur les différents inconvénients des capteurs, la deuxième partie de ce chapitre est
consacrée au type d9erreur et de linéarisation des réponses des capteurs.

II.1.1 Modèle d’un neurone

Le neurone artificiel (ou cellule) est un processeur élémentaire. L'idée principale

des réseaux de neurones artificiels est de donner une unité simple, un neurone, qui
est capable de réaliser quelques calculs élémentaires. Il reçoit un nombre variable
d'entrées en provenance de neurones appartenant à un niveau situé en amont. A chacune
des entrées est associé un poids w représentatif de la force de la connexion. Chaque
processeur élémentaire est doté d'une sortie unique, qui se ramifie ensuite pour
alimenter un nombre variable de neurones appartenant à un niveau situé en aval. A
chaque connexion est associé un poids [13]. (figure II.1)

35
Chapitre II Réseaux de neurones et linéarisation

Fig. II.1 - Modèle d’un neurone artificiel

En suivant les notations présentées à la section précédente, les R entrées du

neurone correspondent au vecteur p = [p1p2&pR]T, alors que = w [1,11,2 þþþþþþ 1,R]T
représente le vecteur des poids du neurone. La sortie n de l9intégrateur est donnée par
l9équation suivante :

(II-1)

Que l9on peut aussi écrire sous forme matricielle :

(II-2)

Cette sortie correspond à une somme pondérée des poids et des entrées moins le
biais b du neurone. Le résultat n de la somme pondérée s9appelle le niveau d9activation
du neurone. Le biais b s9appelle aussi le seuil d9activation du neurone. Lorsque le
niveau d9activation atteint ou dépasse le seuil b, alors l9argument de f devient positif (ou
nul). Sinon, il est négatif.

On peut faire un parallèle entre ce modèle mathématique et certaines informations

que l9on connait à propos du neurone biologique. Dans le cerveau, les neurones sont
reliés entre eux par l9intermédiaire d'axones et de dendrites. En première approche, on

36
Chapitre II Réseaux de neurones et linéarisation

peut considérer que ces sortes de filaments sont conductrices d'électricité et peuvent
ainsi véhiculer des messages depuis un neurone vers un autre. Les dendrites
représentent les entrées du neurone et son axone sa sortie.

Les neurones font une sommation des signaux reçus en entrée et en fonction du
résultat obtenu vont fournir un courant en sortie [30]. (figureII.2)

La structure d9un neurone se compose de trois parties :

 La somma : ou cellule d9activité nerveuse, au centre du neurone.

 L9axone : attaché au somma qui est électriquement actif, ce dernier conduit
l9impulsion conduite par le neurone.
 Dendrites : électriquement passives, elles reçoivent les impulsions d9autres
neurones.

[Link].2- Schéma d’un neurone biologique [30]

Un poids d9un neurone artificiel représente donc l9efficacité d9une connexion

synaptique. Un poids négatif vient inhiber une entrée, alors qu9un poids positif vient
l9accentuer. Il importe de retenir que ceci est une grossière approximation d9une
véritable synapse qui résulte en fait d9un processus chimique très complexe et
dépendant de nombreux facteurs extérieurs encore mal connus [31].

Un autre facteur limitatif dans le modèle que nous nous sommes donnés concerne
son caractère discret. En effet, pour pouvoir simuler un réseau de neurones, nous allons
rendre le temps discret dans nos équations. Autrement dit, nous allons supposer que tous

37
Chapitre II Réseaux de neurones et linéarisation

les neurones sont synchrones, c9est-à-dire qu9à chaque temps t, ils vont simultanément
calculer leur somme pondérée et produire une sortie a(t) = f (n(t)). Dans les réseaux
biologiques, tous les neurones sont en fait asynchrones.

Revenons donc à notre modèle tel que formulé par l9équation II.2 et ajoutons la
fonction d9activation f pour obtenir la sortie du neurone :

a = f (n) = f (wTp 2 b). (II-3)

En remplaçant wT par une matrice W = wT d9une seule ligne, on obtient une forme
générale que nous adopterons tout au long de cet ouvrage :

a = f (Wp2 b) (II-4)

[Link].3 - Représentation matricielle du modèle d’un neurone artificiel

L9´equation II.4 nous amène à introduire un schéma de notre modèle plus compact
que celui de la figure II.1. La figure II.3 illustre celui-ci. On y représente les R entrées
comme un rectangle noir (le nombre d9entrées est indiqué sous le rectangle). De ce
rectangle sort le vecteur p dont la dimension matricielle est R×1. Ce vecteur est
multiplié par une matrice W qui contient les poids (synaptiques) des neurones. Dans le
cas d9un neurone simple, cette matrice possède la dimension 1×R. Le résultat de la

38
Chapitre II Réseaux de neurones et linéarisation

multiplication correspond au niveau d9activation qui est ensuite comparé au seuil b (un
scalaire) par soustraction. Finalement, la sortie du neurone est calculée par la fonction
d9activation f. La sortie d9un neurone est toujours un scalaire.

II.1.2 Fonctions de transfert

Jusqu9à présent, nous n9avons pas spécifié la nature de la fonction d9activation de

notre modèle. Il se trouve que plusieurs possibilités existent. Différentes fonctions de
transfert pouvant être utilisées comme fonction d9activation du neurone sont énumérées
au tableau II.1. Les trois les plus utilisées sont les fonctions «seuil» (en anglais «hard
limit»), «linéaire» et «sigmoïde».

Comme son nom l9indique, la fonction seuil applique un seuil sur son entrée. Plus
précisément, une entrée négative ne passe pas le seuil, la fonction retourne alors la
valeur 0 (on peut interpréter ce 0 comme signifiant faux), alors qu9une entrée positive
ou nulle dépasse le seuil, et la fonction retourne 1 (vrai). Utilisée dans le contexte d9un
neurone, cette fonction est illustrée à la figure II.4a. On remarque alors que le biais b
dans l9expression de a = hardlim (wTp 2 b) (équation II.4) détermine l9emplacement du
seuil sur l9axe wTp, ou la fonction passe de 0 à 1. Nous verrons plus loin que cette
fonction permet de prendre des décisions binaires.

39
Chapitre II Réseaux de neurones et linéarisation

Le tableau II-1 résume les fonctions de transfert couramment utilisée.

TAB. II.1 – Fonctions de transfert a = f(n)

La fonction linéaire est très simple, elle affecte directement son entrée à sa sortie :

a = n. (II-5)

Appliquée dans le contexte d9un neurone, cette fonction est illustrée à la figure
II.4b. Dans ce cas, la sortie du neurone correspond à son niveau d9activation dont le
passage à zéro se produit lorsque wTp = b.

La fonction de transfert sigmoïde est quant à elle illustrée à la figure II.4c. Son
équation est donnée par :

(II.6)

Elle ressemble soit à la fonction seuil, soit à la fonction linéaire, selon que l9on est
loin ou prés de b, respectivement. La fonction seuil est non-linéaire car il y a une

40
Chapitre II Réseaux de neurones et linéarisation

discontinuité lorsque wTp = b. De son côté, la fonction linéaire est tout à fait linéaire.
Elle ne comporte aucun changement de pente. La sigmoïde est un compromis
intéressant entre les deux précédentes. Notons finalement, que la fonction «tangente
hyperbolique» est une version symétrique de la sigmoïde.

Fig. II.4 – Fonction de transfert : (a) du neurone «seuil» ; (b) du neurone «linéaire», et (c) du
neurone «sigmoïde»

II.1.3 Architecture de réseau

Un réseau de neurones est un maillage de plusieurs neurones, généralement

organisé en couches. Pour construire une couche de S neurones, il s9agit simplement de
les assembler comme à la figure II.5. Les S neurones d9une même couche sont tous
branchés aux R entrées. On dit alors que la couche est totalement connectée.

Fig. II.5 – Couche de S neurones

41
Chapitre II Réseaux de neurones et linéarisation

Un poids wi,j est associé à chacune des connexions. Nous noterons le premier

indice par i et le deuxième par j. Le premier indice (rangée) désigne toujours le numéro
de neurone sur la couche, alors que le deuxième indice (colonne) spécifie le numéro de
l9entrée. Ainsi, wi,j désigne le poids de la connexion qui relie le neurone i à son entrée j.
L9ensemble des poids d9une couche forme donc une matrice W de dimension S × R :

(II.7)

Notez bien que , dans le cas général (les nombres de neurones et d9entrées
sont indépendants). Si l9on considère que les S neurones forment un vecteur de
neurones, alors on peut créer les vecteurs b = [b1b2 · · · bS]T , n = [n1n2 · · · nS]T et a =
[a1a2 · · · aS]T . Ceci nous amène à la représentation graphique simplifiée, illustrée à la
figure II.6. On y retrouve, comme à la figure II.3, les mêmes vecteurs et matrice. La
seule différence se situe au niveau de la taille, ou plus précisément du nombre de
rangées (S), de b, n, a et W.

Fig. II.6 – Représentation matricielle d’une couche de S neurones

42
Chapitre II Réseaux de neurones et linéarisation

Finalement, pour construire un réseau, il ne suffit plus que de combiner des

couches comme à la figure II.7. Cet exemple comporte R entrées et trois couches de
neurones comptant respectivement S1, S2 et S3 neurones. Dans le cas général, de
nouveau, S1, S2, S3. Chaque couche possède sa propre matrice de poids Wk, où k
désigne l9indice de couche. Dans le contexte des vecteurs et des matrices relatives à une
couche, nous emploierons toujours un exposant pour désigner cet indice. Ainsi, les
vecteurs bk, nk et ak sont aussi associés à la couche k.

Fig. II.7 – Représentation matricielle d’un réseau de trois couches

Il importe de remarquer dans cet exemple que les couches qui suivent la première
ont comme entrée la sortie de la couche précédente. Ainsi, on peut enfiler autant de
couche que l9on veut, du moins en théorie. Nous pouvons aussi fixer un nombre
quelconque de neurones sur chaque couche. En pratique, il n9est cependant pas
souhaitable d9utiliser trop de neurones. Finalement, notez aussi que l9on peut changer de
fonction de transfert d9une couche à l9autre. Ainsi, toujours dans le cas général
.

La dernière couche est nommée «couche de sortie». Les couches qui précédent la
couche de sortie sont nommées «couches cachées». Le réseau de la figure II.7 possède
donc deux couches cachées et une couche de sortie.

Les réseaux multicouches sont beaucoup plus puissants que les réseaux simples à
une seule couche. En utilisant deux couches (une couche cachée et une couche de
sortie), à condition d9employer une fonction d9activation sigmoïde sur la couche cachée,
on peut entraîner un réseau à produire une approximation de la plupart des fonctions,
avec une précision arbitraire (cela peut cependant requérir un grand nombre de neurones

43
Chapitre II Réseaux de neurones et linéarisation

sur la couche cachée). Sauf dans de rares cas, les réseaux de neurones artificiels
exploitent deux ou trois couches.

Entraîner un réseau de neurones signifie modifier la valeur de ses poids et de ses

biais pour qu9il réalise la fonction entrée/sortie désirée. Pour spécifier la structure du
réseau, il faut aussi choisir le nombre de couches et le nombre de neurones sur chaque
couche.

Tout d9abord, rappelons que le nombre d9entrées du réseau (R), de même que le
nombre de neurones sur la couche de sortie est fixé par les spécifications du problème
que l9on veut résoudre avec ce réseau. Par exemple, si la donnée du problème comporte
quatre variables en entrée et qu9elle exige de produire trois variables en sortie, alors
nous aurons simplement R = 4 et SM = 3, où M correspond à l9indice de la couche de
sortie (ainsi qu9au nombre de couches). Ensuite, la nature du problème peut aussi nous
guider dans le choix des fonctions de transfert. Par exemple, si l9on désire produire des
sorties binaires 0 ou 1, alors on choisira probablement une fonction seuil pour la couche
de sortie. Il reste ensuite à choisir le nombre de couches cachées ainsi que le nombre de
neurones sur ces couches, et leur fonction de transfert. Il faudra aussi fixer les différents
paramètres de l9algorithme d9apprentissage. Mais nous y reviendrons en temps et lieu !

Finalement, la figure II.8 illustre le dernier élément de construction que nous

emploierons pour bâtir des réseaux dit «récurrents».

Fig. II.8 – Elément de retard

44
Chapitre II Réseaux de neurones et linéarisation

Il s9agit d9un registre à décalage qui permet d9introduire un retard dans une
donnée que l9on veut acheminer dans un réseau. La sortie retardée a(t) prend la valeur
de l9entrée u au temps t − 1. Cet élément de retard présuppose que l9on peut initialiser la
sortie au temps t = 0 avec la valeur a(0). Cette condition initiale est indiquée à la figure
II.8 par une flèche qui entre par le bas de l9élément.

II.1.4 Le perceptron multicouches

Parmi les types des réseaux de neurones les plus utilisés on trouve le MLP
avec son algorithme d9apprentissage, la rétropropagation des erreurs. Le perceptron
multicouche est un réseau orienté de neurones artificiels organisé en couches, où
l9information voyage dans un seul sens, de la couche d9entrée vers la couche de sortie.
Le perceptron multicouches (noté MLP pour Multi Layer Perceptron en anglais) est
directement inspiré du raisonnement présenté au dessus. L'idée principale est de grouper
des neurones dans une couche. On place ensuite bout à bout plusieurs couches et
connecte complètement les neurones de deux couches adjacentes. La couche d9entrée
présente toujours une couche virtuelle associée aux entrées du système, elle ne
contient aucun neurone. Les couches suivantes sont des couches de neurones. Les
entrées des neurones de la deuxième couche sont donc en fait les sorties des neurones de
la première couche. Les neurones de la première couche sont reliés au monde extérieur
et reçoivent tous le même vecteur d'entrée (c'est en fait l'entrée du réseau). Ils calculent
alors leur sorties qui sont transmises aux neurones de la deuxième couche, etc. Les
sorties des neurones de la dernière couche forment la sortie du réseau [32].

II.1.5 L'apprentissage (supervisé)

L'apprentissage neuronal fait appel à des exemples de comportement. Soit

une base d9apprentissage constituée de N exemples, chacun étant constitué d9un vecteur
x(n) appliqué aux entrées du réseau, et du vecteur 8d(n)9 des valeurs désirées
correspondantes pour les sorties, le vecteur 8y(n)9 correspond à la sortie du réseau
pour l9entrée 8 X(n)9. On suppose aussi que le réseau de neurones possède un nombre
8r9 de neurones de sortie. En ajustant les paramètres d'un MLP, on peut lui faire calculer
toute sorte de fonction. Si on se donne une fonction vectorielle particulière, on peut
tenter de faire apprendre cette fonction par un MLP : c'est l'apprentissage. La méthode
classique pour l'apprentissage supervisé consiste à se donner un ensemble d'exemples,

45
Chapitre II Réseaux de neurones et linéarisation

c'est à dire un ensemble fini de couple de vecteurs (x_i,y_i). Dans un tel couple, x_i
désigne l'entrée du réseau et y_i la sortie désirée pour cette entrée. On écrit alors la
fonction calculée par le réseau sous une forme paramétrique : f(x,w) désigne la sortie du
réseau quand on lui présente en entrée le vecteur x et qu'il utilise les poids synaptiques
contenus dans le vecteur w. On se donne enfin une distance sur l'espace vectoriel de
sortie, c'est à dire un moyen de mesurer l'erreur commise en un point par le réseau. Si
cette distance est notée d, on cherche alors à trouver la valeur de w qui minimise la
somme d'erreur totale commise par le réseau, c'est à dire la somme des distances entre
les sorties obtenues et les sorties désirées, c'est à dire somme des d(f(x_i,w),y_i). Cette
erreur est une fonction de w et on peut donc utiliser les techniques classiques
d'optimisation de fonction pour trouver son minimum [33].

II.1.6 La rétro-propagation

L9apprentissage du MLP est attaché à l9algorithme de la rétropropagation des

erreurs, cet algorithme, utilisée par les réseaux multicouches, consiste simplement
en une descente de gradient, qui est une méthode d9optimisation universelle. On
cherche à minimiser une fonction de coût (qui représente l'erreur entre la sortie désirée
et la sortie obtenue), en suivant les lignes de plus grande pente. Les algorithmes
d'optimisation de fonction efficaces utilisent en général la différentielle de la fonction
considérée (c'est à dire son gradient car elle est à valeurs réelles). Quand les fonctions
de transfert utilisées dans les neurones sont différentiables, et quand la fonction distance
est aussi différentiable, l'erreur commise par un MLP est une fonction différentiable des
coefficients synaptiques du réseau. L'algorithme de rétro-propagation permet justement
de calculer le gradient de cette erreur de façon efficace : le nombre d'opérations
(multiplications et additions) à faire est en effet proportionnel au nombre de connexions
du réseau, comme dans le cas du calcul de la sortie de celui-ci. Cet algorithme rend ainsi
possible l'apprentissage d'un MLP [32].

II.2.1 Erreurs dans la courbe de transfert de capteur

Dans la production de capteur on désire produire de grandes séries de capteur à la

fois, et qui répondent tous selon la même fonction transfert. Pour vérifier ceci les
capteurs ont pu être mesurés individuellement. Quand on mesure le transfert d'un

46
Chapitre II Réseaux de neurones et linéarisation

capteur nous pouvons être confrontés avec un ou plusieurs types d'erreurs suivantes
[34]:

Offset: quand un signal physique d'entrée zéro (ou minimum) est appliqué, et le
signal de sortie mesuré n'est pas zéro (ou minimum de gamme de sortie) il donne la
valeur d9offset.
Gain, gamme, ou erreur plein échelle (full-scale error) : Le signal physique
d'entrée maximum n9est pas exprimé par un signal électrique de sortie maximum.
Non linéarité : La variation de la sortie du capteur ne change pas linéairement
avec la variation du signal physique d'entrée.
Sensibilité multiple : Le capteur est non seulement sensible au signal d'entrée
mais également à d'autres paramètres.

Hystérésis : La réponse du capteur peut avoir deux valeurs différentes pour une
même grandeur physique suivant un cycle (croissant ou décroissant). La différence entre
ces deux valeurs donne la valeur de l9hystérésis.

Dérive de l’offset: La courbe de transfert du capteur change lentement avec le

temps.

Les erreurs sont expliquées graphiquement dans la figure .II.9. Généralement,

certaines de ces erreurs sont plus grandes que l'exactitude désirée. Pour corriger ces
erreurs, tous les capteurs devraient être mesurées et calibrées individuellement pour
garantir l'exactitude.

On peut observer les erreurs de Gain d9offset et également de linéarité et de

sensibilité multiple pratiquement pour tous les types de capteurs.

47
Chapitre II Réseaux de neurones et linéarisation

non linéarité
courbe de
transfert idéal

Fig. II.9 – Erreurs des courbes de transfert des capteurs [32].

Les erreurs d'hystérésis et de la dérive de l9offset doivent être examinées pour

quelques types de capteurs, mais ils peuvent être négligés pour d'autres capteurs. Bien
qu'ils puissent être compliqués, les erreurs d'hystérésis pourraient être calibrées.
Cependant, d'autres solutions de capteurs spécifiques devraient être considérées car elles
sont moins compliquées ou fournissent de meilleurs résultats. Les erreurs de la dérive
de l9offset sont difficiles à compenser car ils exigeraient la prévision des futures erreurs
« extrapolation », et la mesure de temps de réponse. Parfois il est possible de réduire la
dérive de l9offset du capteur au moyen de calibrage-individuel, à l'aide d'un capteur
additionnel.

II.2.2 Fonction de transfert de capteurs

Si nous voulons examiner des capteurs avec une sensibilité à une autre grandeur
physique d'entrée, nous devons considérer la courbe de transfert du capteur en tant que
deux fonctions. Nous pouvons exprimer la sortie électrique du capteur eout comme
fonction S de signal d'entrée de deux signaux physiques d'entrées φin et ψin.

eout= S(φin, Èin ) (II-8)

Encore, nous pouvons transformer le signal de sortie électrique à un signal de

sortie normalisée y, et les variables physiques d'entrée pour normaliser les signaux
d'entrée x et z. Nous pouvons alors examiner la fonction de transfert bidimensionnelle

48
Chapitre II Réseaux de neurones et linéarisation

normalisée y = f(x,y). Dans le cas idéal, la sortie normalisée y devrait dépendre

linéairement de la variable d'entrée x avec l'unité de gain, mais indépendante de l'autre
entrée z (gain à zéro).

Ainsi la fonction normalisée idéale est donnée par le y = g(x, y) = x. les deux
fonctions bidimensionnelles de transfert peuvent être présentées graphiquement comme
une surface tridimensionnels d'une image « 3D ». Les exemples sont montrés dans la
figure II.10 dans ce cas, le but du calibrage est de traiter la fonction de transfert à
capteur f( X, Z ) de telle manière que la fonction qui résulte h( X, Z), laquelle ressemble
à une fonction linéaire g( X, Z ) ceci exigera le calibrage des mesures f(Xn, Zm) pour
différentes conditions d'entrée définis par Xn [n=1 à N ] et Zm [m=1 à M ].

Le nombre de mesures de ceci s'appelle la calibration NxM, nous pouvons définir

l'erreur des deux dimensions de la surface par :

ε( X, Z ) = h( X, Z )-g( X, Z ). (II.9)

[Link].10 –Linéarisation idéale de la fonction de transfert

II.2.3 Linéarisation

La plupart des capteurs montrent une caractéristique de transfert non-linéaire, qui

peut être représentée par un modèle physique. Le calibrage exigé peut être simplifié en
appliquant d'abord une linéarisation systématique, les variations aléatoires restantes de

49
Chapitre II Réseaux de neurones et linéarisation

la non-linéarité peuvent être alors calibrées en utilisant une méthode générale de

linéarisation. De telles méthodes sont appliquées directement pour des capteurs à
fonction de transfert plus ou moins linéaire, montrant seulement les erreurs de linéarité
qui changent aléatoirement d9un dispositif à un autre. Ce qui suit explique quelques
méthodes de linéarisation. Toutes ces méthodes sont basées sur l'utilisation de calibrage
des mesures du signal de sortie du capteur. En plus pour linéariser le signal de sortie, le
calibrage des mesures est également employé pour corriger l'erreur d'offset et de gain.

II.2.4 Linéarisation de caractéristique de capteur

Certains capteurs montrent une réponse non linéaire, d9une forme de non linéarité
connue. Comme une erreur systématique devrait de préférence être corrigée par une
linéarisation systématique, plutôt qu'au moyen d'interpolation des mesures multiples de
calibrage. Un capteur avec une courbe de transfert logarithmique pourrait être écrit sous
la forme de l9équation (II-10) avec a. b, c, et d sont des constantes dépendantes du
capteur.

es =f(φ) = a + [Link](c+dφ) (II-10)

Une courbe de transfert logarithmique peut facilement être linéarisée en utilisant

un circuit électronique avec une fonction de transfert exponentielle « figure II.11 ».
Nous pourrions employer la relation exponentielle entre la tension Vbe et le courant de
collecteur d'un transistor bipolaire. Le signal de sortie de capteur es est la tension Vbe, et
le courant de collecteur IC est converti à une tension de sortie Vout par un convertisseur
pour le transfert global de capteur et du circuit que nous réalisons.

50
Chapitre II Réseaux de neurones et linéarisation

Circuit pour
Convertisseur I/V
l9exponentiel

Capteur
R
es Ic Vout
S Vbe

Tension de Courant de Tension de

sortie sortie sortie

Logarithmique Exponentiel Linéaire

Signal de l9entrée Tension d9entrée Signal de l9entrée

physique physique

[Link].11–Linéarisation de caractéristique du capteur

(II-11)

Ce qui peut être écrit sous une forme simplifiée comme :

h(x) =A+B.x (II-12)

II.2.5 Linéarisation basée sur l'ajustement de courbe« Curve-fitting »

Il est possible de contrecarrer le transfert non-linéaire du capteur avec un transfert

inversement non linéaire quand l'expression de la courbe de transfert du capteur est
connue. Il est également possible quand la fonction de transfert du capteur n'est pas
connue avec précision mais est seulement caractérisée par quelques mesures de
calibrage. Les techniques d9ajustement de courbe « Curve-fitting » de précision
permettent de calculer une fonction mathématique qui intersecté la fonction réelle de
capteur dans les points de mesure [35].

Ceci est habituellement fait en définissant une somme de poids « weighted »

d'expressions basées sur la sortie de capteur y = f(x). Les facteurs de poids sont calculés
sur la base du f(Xn) de la fonction de transfert du capteur. On peut alors essayer de
51
Chapitre II Réseaux de neurones et linéarisation

calculer la fonction inverse exacte de la fonction trouvée d'ajustement de courbe. Une

meilleure approche est de composer une fonction H[f(x)] d'ajustement de courbe pour le
transfert inverse du capteur. L'ajustement de courbe se rapporte alors à assortir la
fonction de transfert résultante h(x) = [ f(x) ] de la fonction de transfert linéaire désirée
g(x). La fonction de linéarisation peut être exprimée sous la forme suivante :

(II-13)

L9expression dépend de la technique spécifique d'ajustement de courbe utilisée, et

pourrait être, par exemple, une fonction sinusoïdale, exponentielle ou polynôme de
l'ordre croissant (n). Le facteur de poids Cn, également désigné sous le nom des
coefficients de calibrage, sont calculés, en utilisant les mesures de calibrage f(Xn ) et les
valeurs correspondantes pour le transfert désiré g(Xn ).

Les calculs exigés peuvent se devisés en deux groupes. D'abord, le calcul des
valeurs correctes pour les coefficients de calibrage pendant ou après la phase de
calibrage. Ceci peut être fait extérieurement du capteur (sur un ordinateur). Le calcul
secondaire du signal de sortie linéarisé basé sur la sortie et les coefficients de calibrage.
Cette correction doit être intégrée avec le capteur intelligent, dans le matériel analogue
ou numérique, ou dans le logiciel dans un microcontrôleur connectant le capteur. La
mémoire doit être présente pour stocker les coefficients de calibrage.

Conclusion

La majorité des capteurs montrent différentes erreurs de mesure, la connaissance

de ces erreurs nous permet de les corrigeés. Cette correction peut être effectuée à partir
d'un modèle de réseau de neurones, on peut construire des perceptrons multicouches.
Ces outils permettent de calculer des fonctions vectorielles, adaptables à un ensemble
d'exemples par le biais d'algorithmes d'optimisation utilisant la technique de la rétro-
propagation. De cette façon, on peut espérer faire apprendre une fonction complexe à un
MLP, contenant assez peu de neurones. On obtiendra ainsi une modélisation analytique
compacte à partir de fonction obtenue expérimentalement.

52
 Chapitre III
Modélisation du capteur ENFET par les
ANN
Chapitre III Modélisation du capteur ENFET par les ANN

Introduction

L9objectif de ce troisième chapitre est de créer un modèle à base des réseaux de neurone
« ANN-model » pour le substituer à la réponse du modèle utilisé (modèle EnFET « Chapitre
I ») et de la modélisation statique des réseaux de neurones « Chapitre II » réalisés à l9aide du
logiciel Matlab.

La construction d9un modèle à base d9ANN pour l'EnFET, est de reproduire fidèlement
son comportement lors de la phase de conception du capteur intelligent (chapitre IV).
Autrement dit, ce modèle servira à la simulation comportementale du capteur intelligent, vu
que le modèle analytique de l'EnFET est limité à des conditions moins dynamiques.

III-1 Résultat de simulation pour le créatinine-EnFET du capteur

Dans cette section nous allons présenter une simulation du capteur EnFET effectué par
l'application du modèle analytique présenté dans le chapitre (I) utilisant Matlab, de ce fait
nous avons utilisé les paramètres suivants :
-Constante de Michaelis Km = 3,5.10-3 mol/l pour la créatinine déiminase.
-nombre d9unités enzymatiques par unité de volume : Nenz = 10 unités/cm-3.
-pH de la solution initiale : pH0 = 7.5.
Finalement, le créatinine-EnFET a été étudié dans la gamme de concentration de créatinine
en solution [10-7; 10-2 mol/l].
Il est facile de définir trois paramètres influents sur la réponse du capteur tel que :
La constante de Michaelis KM, le nombre d9unités enzymatiques par unité de volume Nenz et
le potentiel hydrogène initial de la solution pH0.
III-1-2 Influence du potentiel d’hydrogène initial pH0
La figure III.1 représente les différentes réponses potentiométriques du capteur créatinine-
EnFET pour divers valeurs du potentiel hydrogène de la solution initiale pH0 (pour KM =
3,5.10-3mol/L, Nenz=100 unités/cm-3). Etant donné que le principe de détection choisi est basé
sur la mesure du pH, l9influence du potentiel hydrogène initial pH0 est une évidence.
La réaction enzymatique va consommer la créatinine pour produire l9ammoniac responsable
de l9augmentation de la basicité. Plus la consommation de créatinine est importante, plus le
pH va augmenter. De même plus le milieu est acide, plus la quantité d9ammoniac nécessaire à
cette variation doit être grande, et donc plus la quantité de créatinine à consommer doit être
importante.

54
Chapitre III Modélisation du capteur ENFET par les ANN

0.30

0.29 pH0=5
0.28 pH0=8

0.27

Tension de seuil [V]

0.26

0.25

0.24

0.23

0.22

0.21

0.20

1E-8 1E-7 1E-6 1E-5 1E-4 1E-3 0.01 0.1 1

Concentration du substrat [Mol/l]

Fig III.1-Réponse du capteur ENFET en fonction des différentes valeurs du potentiel

hydrogène pH0.

III-1-3 Influence de la constante de Michaelis

La figure III.2 présente l9évolution de la tension de seuil du créatinine-EnFET en

fonction de la concentration du substrat pour différentes valeurs de la constante de Michaelis
(KM) avec (Nenz=10 unités/cm3, pH0 = 7,5).

En observant la figure III.2 on trouve qu'il ya une forte insensibilité et saturation pour
les plus faibles et les plus fortes concentrations de KM, par contre dans la zone intermédiaire il
existe une réponse linéaire entre tension de seuil VT mais avec une sensibilité moyenne.

Sachant que la constante de Michaelis est une donnée d9une enzyme, elle traduit son
affinité avec son substrat. En fait, elle caractérise la vitesse de la réaction. Plus la valeur est
faible, plus la réaction est rapide. Dans le modèle la constante de Michaelis intervient dans la
fonction de génération/consommation d9espèces par la réaction enzymatique g(x) équation
(I.44) chapitre I.

Cette équation explique bien les observations de la courbe. Lorsque la valeur de la

constante de Michaelis est négligeable devant la concentration du substrat domine, le terme de
génération g est maximal. Donc pour avoir une variation de pH, il faut que la concentration de
créatinine prend des très grandes valeurs vis-à-vis la valeur de KM. Finalement, on peut

55
Chapitre III Modélisation du capteur ENFET par les ANN

constater que plus le KM augmente plus la concentration de créatinine doit être importante
pour avoir une bonne réponse du capteur.

0.29
-4
0.28
Km=10
-3
Km=10
0.27 -2
Km=10
0.26 Km=0.1
Tension de seuil [V]

0.25
Km=1

0.24

0.23

0.22

0.21

0.20

1E-8 1E-7 1E-6 1E-5 1E-4 1E-3 0.01 0.1 1

Concentration du substrat [Mol/l]

Fig III.2-Réponse du capteur EnFET en fonction des différentes valeurs de constante de

Michaelis Km.

III-1-4 Influence de la quantité d’enzyme

Evolution de la tension de seuil du créatinine-EnFET en fonction de la concentration du

substrat pour différentes valeurs de nombre d9unités enzymatiques par unité de volume de
PVA (Nenz). La figure III.3 représente les différentes réponses potentiométriques du
créatinine-EnFET pour différentes valeurs de la concentration enzymatiques Nenz avec (KM =
3,5.10-3mol/L, pH0 = 7,5). Il apparait clairement que le nombre d9unités enzymatiques par
unité de volume Nenz 'influence la sensibilité du créatinine-EnFET. Cette dernière augmente
avec le nombre d9unités enzymatiques par unité de volume. De plus, il est clair que la quantité
d9enzyme (Nenz) contribue aussi dans la génération/consommation d9espèces de la réaction
enzymatique décrite par l9équation (I-44) chapitre I. La diffusion du substrat vient alors
limiter la sensibilité. Donc, le changement de pH est contrôlé par la quantité d9enzyme
contenue dans la membrane, jusqu9à une limite fixée par la diffusion du substrat.

56
Chapitre III Modélisation du capteur ENFET par les ANN

0.32 3
Nenz=10 unités/cm
0.31 3
Nenz=100 unités/cm
0.30 3 3
Nenz=10 unités/cm
0.29 3 3
Nenz=5.10 unités/cm
0.28

Tension de seuil [V]

0.27

0.26

0.25

0.24

0.23

0.22

0.21

0.20
1E-7 1E-6 1E-5 1E-4 1E-3 0.01
Concentration du substrat [Mol/l]

Fig III.3-Réponse du capteur EnFET en fonction des différentes valeurs de la quantité

d9enzyme Nenz.
III.2. Modélisation du capteur

Pour créer le modèle ANN du capteur enzymatique au moyen des réseaux de neurones
on choisi en premier lieu une base de données caractérisée, dans notre cas, par la constante de
Michaelis Km, le nombre d'unités d'activité enzymatique par unité de volume Nenz et la
concentration du substrat et enfin la réponse du notre capteur. Dans une deuxième étape on
procède à une séparation de la base d9apprentissage et celles de validation et de test, puis on
fait l9entraînement d'un réseau de neurones sur la base d9apprentissage formé précédemment
avec l'algorithme de rétropropagation. Finalement on peut mesurer la performance du modèle
obtenu avec la base de données réservée au test.

III.2.1. Choix de la base de données

Le capteur EnFET que nous avons étudié couvre un intervalle de constante de Michaelis
entre 1.10-4 à 1 mol/ l, une gamme de nombre d'unités d'activité enzymatique par unité de
volume de 10 à 5000 unités/cm3et un intervalle de concentration de substrat entre 10-7 à 10-2
mol/l [36]. Notant que notre étude du capteur est fondé sur les résultats présentés dans le
chapitre I, donc pour la formation de la base de données nous avons choisi un pas de
constante de Michaelis 10-2 mol/L, et un pas de nombre d'unités d'activité enzymatique par
unité de volume 50 unités/cm3 et un pas de concentration de substrat 1.10-7 mol/l, enfin on

57
Chapitre III Modélisation du capteur ENFET par les ANN

obtient une base de données qui dispose donc 46X3X6 éléments et 4 vecteurs de la forme X
(Km, Nenz, Csub, Vt), en conséquence l9apprentissage du réseau de neurones est réalisé avec une
base de données de 828 éléments figure III.1.

0.32

0.3
Tension de seuil [V]

0.28

0.26

0.24

0.22

0.2
5000
4000 -2
10
3000 -3
-4
10
2000 10
-5
1000 -6 10
Nenz [unités/cm3] 0 -7
10
10
[Mol/l]
Concentration du substrat [Mol/L]

[Link].1-Représentation en 3 dimensions de la base de données choisie

[Link]éation d’une base de validation

Le but de créer une base de validation est de tester « valider » les résultats obtenus après
l9apprentissage. Donc la base de validation est crée par l9introduction des valeurs qui sépare
les valeurs de la base d9apprentissage, dans ce contexte il n9y a pas de règles précises qui
justifie cette séparation, néanmoins, d9une façon générale la base de test couvre entre 10% et
20% de la base de données, suivant le problème étudié. Les deux bases de données ainsi
obtenues par cette séparation doivent forcément couvrir l9espace de fonctionnement. Dans
notre cas la formation de ces bases de données peut se faire comme suit: nous avons la
concentration de substrat qui varie entre 10-7 mol/l et 10-2 mol/l, alors les deux bases
représente des différentes valeurs distribuées le long de cet intervalle. Le même concept est
appliqué à des intervalles de variation de la constante de Michaelis et de nombre d'unités
d'activité enzymatique par unité de volume, respectivement. Dans notre cas la base
d9apprentissage est composée de 828 éléments, quand à la base de test elle est composée de
90 éléments. Il est impérativement important de ne pas utiliser aucun élément de la base de
test durant l'apprentissage, car cela va nous donner un modèle neuronal complètement faux.
Donc cette base est réservée uniquement à la mesure finale de la performance du modèle

58
Chapitre III Modélisation du capteur ENFET par les ANN

obtenu. Autrement dit, elle sert à vérifier si le réseau de neurones a une bonne performance
sur les exemples qu9il n9a pas appris « base de test ». Dans l9utilisation de cette technique, il
existe toujours le risque de sur-apprentissage, c9est-à-dire, quand le réseau a pris
excessivement de paramètres pour évoquer une fonction qui n9est pas très complexe. Nous
allons nous retrouver dans un problème de sur apprentissage ce qui est traduit par une
augmentation de l9erreur sur la base de validation [37].

III.2.3.L’apprentissage du réseau de neurone

La formation de la base de données est une étape essentielle pour faire l9apprentissage
de réseaux de neurone et même pour les deux autres étapes de validation et de test, de plus le
nombre de couches et des neurones utilisés dans chaque couche est très important en vue
d'avoir un bon entrainement qui permet par la suite d'obtenir un excellent résultat.

L9obtention de valeur minimale de l9erreur quadratique moyenne « EQM » donc le seuil

d9estimation « S » voulue, nécessite un bon choix de type des fonctions d9activations et du
nombre d9itérations, cela est aussi indispensable pour faire notre apprentissage.

La figure III.2 montre l9organigramme qui interprète notre programme structuré en

Matlab.

59
Chapitre III Modélisation du capteur ENFET par les ANN

Bases de données et de tests Début

Nombre «couches et
neurones» Charger les données

Type des fonctions 1→i

d9activations

Nombre d9itération « N » Oui Afficher

ig N « Performance non
Le seuil « S » atteinte »

Calculer

i=i+1 Afficher
EQM f S
Oui
« Performance
atteinte »

Fin

Fig III.2-Organigramme du programme d’apprentissage

Dans notre cas, puisque le nombre des neurones dans la couche de sortie est déterminé
par le nombre de sorties du système à modéliser, l'EnFET possède une seule sortie VT donc un
neurone pour la couche de sortie.

Pour que le modèle ANN exprime parfaitement la variation de la tension de seuil de

l'EnFET en fonction de la concentration du substrat, il est indispensable de trouver le nombre
optimal des couches cachées et le nombre de neurones par couche. Nous avons considéré
deux couches, 4 neurones pour la première couche et 4 neurones pour la deuxième couche
cachée « figure III.3 ».

60
Chapitre III Modélisation du capteur ENFET par les ANN

Km

Vt
Nenz

Couche de
Csu
sortie
b

Couche 1ére Couche

d9entrée cachée 2éme Couche
cachée

Figure III.3 - Schémas des couches de neurones de l’architecture optimisée

Le choix de l'architecture présentée dans la figure III.3, a été faite après quelque tests
de réseau avec un nombre de neurones entre 1 et 6 neurones pour la première couche et entre
0 et 6 neurones pour la deuxième, puis nous avons aperçu la variation de l9erreur
d9apprentissage et de test. Le tableau III.1 résume les différents résultats obtenus, cependant
l9erreur de test converge vers le minimum dans l9architecture numéros 26 ce qui justifie notre
choix.

61
Chapitre III Modélisation du capteur ENFET par les ANN

Nombre de neurones 1ère Nombre de neurones Le seuil « S »

couche 2ème couche Pour EQM=10-8
1 1 0 0.00029707
2 1 1 0.00033467
3 1 2 0.000582
4 1 3 0.0006014
5 1 4 0.00024555
6 1 5 0.00041366
7 1 6 0.00025208
8 2 0 0.00049258
9 2 1 0.00028673
10 2 2 0.00043654
11 2 3 0.00043927
12 2 4 0.00054485
13 2 5 0.00020724
14 2 6 0.00055168
15 3 0 0.054375
16 3 1 0.00041722
17 3 2 0.00018725
18 3 3 0.00072994
19 3 4 0.00019816
20 3 5 0.00049517
21 3 6 0.00069734
22 4 0 0.00045074
23 4 1 0.00043066
24 4 2 0.00084879
25 4 3 0.00040635
26 4 4 0.00014419
27 4 5 0.00042726
28 4 6 0.00019283
29 5 0 0.00048728
30 5 1 0.00025461
31 5 2 0.0003618
32 5 3 0.00015796
33 5 4 0.00020089
34 5 5 0.00043288
35 5 6 0.00086362
36 6 0 0.00021431
37 6 1 0.00066866
38 6 2 0.00068984
39 6 3 0.0004215
40 6 4 0.00040471
41 6 5 0.00030728
42 6 6 0.00055794

Tab III.1 - Variation de l’erreur du test en fonction des différentes architectures

62
Chapitre III Modélisation du capteur ENFET par les ANN

De même pour les choix des types des fonctions d9activations, nombre maximum
d9itération ainsi que l9EQM. On procède au test et l9observation de la variation de l9erreur et
bien sur la solution pour des différentes valeurs pour avoir les meilleurs résultats. Afin
d9évaluer l9influence du seuil S sur le nombre d9itérations nécessaires pour obtenir EQM<S.
Nous avons choisi plusieurs valeurs de S, les figures III.4 et III.5 et III6 montrent l9évolution
de l9EQM en fonction du nombre d9itérations pour des différentes valeurs du seuil.

Figure III.4 - EQM en fonction du nombre d’itérations pour S=10-4

Figure III.4 - EQM en fonction du nombre d’itérations pour S=10-6

63
Chapitre III Modélisation du capteur ENFET par les ANN

Figure III.5 - EQM en fonction du nombre d’itérations pour S=10-7

Le nombre d9itérations montré par les figures précédentes indique que plus le seuil « S »
est faible, plus ce nombre d9itérations est important et vis-vers-ça.

III.2.4. Mesure de la performance du modèle obtenu

Dans cette partie notre étude est focalisée sur la comparaison entre la base de données
initial et celle obtenue après l9apprentissage, utilisant la base de test, nous avons trouvé que
notre modèle exprime parfaitement la variation de la réponse de l9EnFET. Les figures III.6,
III.7 et présentent la performance du modèle obtenu pour les deux nombres d'unités d'activités
enzymatiques par unité de volume 10 unités/cm3 et 100 unités/cm3.

A partir des figures III.6, III.7 on peut facilement vérifier la fiabilité de notre modèle
pour la prédiction de la réponse de l9EnFET sur une large gamme de concentration du substrat
et de nombre d9unités enzymatiques.

64
Chapitre III Modélisation du capteur ENFET par les ANN

Modèle analytique
0.28
Modèle ANN
-3
Km=3.5.10 mol/l
3
0.26 Nenz=10 unités/cm

Tension de seuil [V]

0.24

0.22

0.20

1E-7 1E-6 1E-5 1E-4 1E-3 0.01

Concentration du substrat [Mol/l]

Figure III.6 – Performance du modèle obtenu à 10 unités/cm3

0.240
Modèle analytique
Modèle ANN
0.235 -3
Km=3.5.10 mol/l
3
0.230 Nenz=100 unités/cm
Tension de seuil [V]

0.225

0.220

0.215

0.210

0.205

0.200
1E-7 1E-6 1E-5 1E-4 1E-3 0.01
Concentration du substrat [Mol/l]

Figure III.7 –Performance du modèle obtenu à 100 unités/cm3

65
Chapitre III Modélisation du capteur ENFET par les ANN

Le tableau III.2 résumé tous les paramètres utilisés pour l9optimisation du modèle ANN
du capteur enzymatique.

Paramètre Valeur optimisée

Architecture Feed-forward MLP (perceptron multi-couches)
Couche cachée 2
Règle d9apprentissage Rétropropagation des erreurs (Back propagation)
Nombre de Neurones Couche d9entrée 3
1ère couche 4
2ème couche 4
Couche de sortie 1
La fonction de transfert 1ère couche Sigmoid
2ème couche Sigmoid
Couche de sortie Linéaire
Définition des entrées Km(mol/l) Nenz(unités/cm3) Csub (mol/l)
Min 10-4 mol/l 10 unités/cm3 10-7 mol/l
Max 1 mol/l 5000 unités/cm3 10-2 mol/l
Définition des sorties VT (V)
Max 03 V
Min 0.2 V
EQM de test 10-8
EQM d9apprentissage 4.012 10-4
Base de données Base d9apprentissage 828
Base de validation 90

Tableau III.2 : Paramètres optimisés du réseau de neurones

Conclusion

Dans se chapitre nous avons développé un modèle du capteur enzymatique. La création

du modèle et faite par les réseaux de neurones et Matlab, les performances de notre modèle
ont été présentés dans cette partie. Nous avons vu que le modèle obtenu délivre la même
sortie de l'EnFET, avec ses avantages et ses inconvénients tel que la non linéarité de la
réponse de l9EnFET qui pose un problème de mesure de la réponse du capteur. Dans ce
contexte, la linéarisation de la réponse de l9EnFET et primordiale pour éviter les erreurs de
mesure, ce qui fera l9objet du chapitre suivant.

66
 Chapitre IV
Modèle intelligent (INV-ANN) du capteur
ENFET
Chapitre IV Modèle intelligent (INV-ANN) du capteur EnFET

Introduction

Il est possible de surmonter les inconvénients des capteurs EnFET tel que la non
linéarité de ce capteur avec un transfert inversement non linéaire quand l'expression de la
courbe de transfert du capteur est connue. Les capteurs intelligents intègrent des circuits de
conditionnement, dans le but est la correction des réponses non linéaire. L9utilisation des
réseaux de neurones comme des composants de mesure, nous donne la possibilité de corriger
la réponse des capteurs, cette technique a connu un essor considérable au cours de ces
dernières années. En effet, les ANNs présentent l9avantage d9une grande adaptation aux
différents problèmes causés par la non-idéalité des capteurs [38] [39].

Le chapitre présent est consacré à la conception d9un composant de mesure « INV-

ANN » permettant la correction de la réponse non linéaire du capteur enzymatique. Et puis on
va montrer la validité de notre modèle à travers quelques simulations.

IV.1. Modélisation de l’INV-ANN

Dans le but d9avoir une réponse linéaire de notre capteur, il nous faut un modèle inverse
INV-ANN, dit aussi modèle intelligent. Ainsi, pour le développement de ce modèle on
commence par la linéarisation de la réponse de la tension de seuil obtenue en utilisant les
réseaux de neurones. On choisit une base de données caractérisée, cette fois par la tension de
seuil relevée à la sortie, le nombre d'unités d'activité enzymatique par unité de volume Nenz et
la réponse linéarisée du INV-ANN, respectivement. Deuxièment, on va procéder à la
formation de la base de test et de validation en séparant la base d9apprentissage, puis on fait
l9entraînement d'un réseau de neurones sur la base d9apprentissage avec l'algorithme de
rétropropagation et finalement on vérifie la performance du modèle obtenu avec la base de
test.

IV.1.1. Linéarisation de la sortie du modèle

Pour détourner la non-linéarité de la réponse sur notre modèle, il est nécessaire

d9effectuer une linéarisation de la sortie du capteur. De ce fait, on choisie à titre d9exemple la
courbe à Nenz = 10 unités /cm3. La figure IV.1 illustre l9entrée du INV-ANN (VT) et la sortie
VTL linéarisée.

68
Chapitre IV Modèle intelligent (INV-ANN) du capteur EnFET

modèle analytique
0.28 sortie lineaire

0.26

Tension de seuil [V]

0.24

0.22

0.20
1E-6 1E-5 1E-4 1E-3 0.01
Concentration du substrat [Mol/l]

[Link].1-Linéarisation de la réponse à Nenz =10 unités /cm3

IV.1.2. Création des bases de données et de tests

La base de données de INV-ANN est formé de 55 vecteurs de la forme X (Km, Nenz,

Csub,VT,VTL). Avec Km est la constante de Michaelis, Nenz est le nombre d'unités enzymatiques
par unité de volume, Csub est la concentration du substrat, VT est la tension de seuil du
capteur avant la linéarisation et VTL est la tension de seuil après la linéarisation. La figure IV.2
représente les éléments Csub, Nenz et VTL de la base de données du vecteur X après la
linéarisation.

Après la formation de la base de données, il est indispensable de réserver un ensemble

des éléments pour la mesure finale de la performance; c9est la base de validation.

69
Chapitre IV Modèle intelligent (INV-ANN) du capteur EnFET

0.3

0.28

Tension de seuil [V]

0.26

0.24

0.22

0.2

0.18
7
10
-2
6
-3 10
10 10
-4
-5 10
5
10 -6 10
-7 10
4 -8 10
10 10
Nombre d'unités d’activité enzymatique [Mol/L] Concentration du substrat [Mol/L]

[Link].2-Représentation en 3 dimensions des éléments essentiels de la base de données après

linéarisation

IV.1.3. L’apprentissage du réseau de neurone

Dès que la création de la base de données et celle de validation est obtenue, où ces
dernières sont nécessaires pour l9apprentissage, on passe à réaliser une simulation par réseaux
de neurones où l'on garde la même structure neuronale précédante; le nombre des couches
cachées « 2 », le nombre des neurones utilisés dans chaque couche cachée (« 4 » pour la
première et « 4 » pour la deuxième), et on garde aussi le même choix de type des fonctions
d9activations. Pour que le modèle INV-ANN exprime précisément la linéarisation de la
réponse du capteur. Cette structure est illustrée par la figure IV.3.

VT

VTL
Nenz

Couche de
Csu
sortie
b

Couche 1ére Couche

d9entrée cachée 2ème Couche
cachée

[Link].3-Représentation de la structure neuronale de INV-ANN

70
Chapitre IV Modèle intelligent (INV-ANN) du capteur EnFET

Nous avons, maintenant, tous les éléments essentiels pour commencer l9apprentissage
du modèle inverse INV-ANN respectant les mêmes procédures adoptés à l9ANN pour le
développement du modèle INV-ANN. La figure IV.4 illustre l9évolution de l9erreur globale
sur la base d9apprentissage en fonction du nombre d9itérations.

[Link].4-Evolution de l’erreur EQM en fonction du nombre d’itérations pour S=10-8

IV.1.4. Mesure de la performance du modèle obtenu

Un programme Matlab nous permet de faire une comparaison entre la base de données
linéarisée et celle obtenue après l9apprentissage. La figure IV.5 présente le signal d9entrée de
INV-ANN à Nenz=100 unités /cm3 avec la courbe de linéarisation obtenues après
l9apprentissage pour montrer la performance du modèle obtenu.

71
Chapitre IV Modèle intelligent (INV-ANN) du capteur EnFET

0.28 modèle analytique

sortie lineaire
0.27

0.26

Tension de seuil [V]

0.25

0.24

0.23

0.22

0.21

0.20
1E-7 1E-6 1E-5 1E-4 1E-3 0.01
Concentration du substrat [Mol/l]

[Link].5-Performance du modèle après l’apprentissage

Le tableau IV.1 résume les différents paramètres optimisés.

Paramètre Valeur optimisée

Architecture Feed-forward MLP (perceptron multi-couches)
Couche cachée 2
Règle d9apprentissage Rétropropagation des erreurs (Back propagation)
Nombre de Neurones Couche d9entrée 3
1ère couche 4
2ème couche 4
Couche de sortie 1
La fonction de transfert 1ère couche Sigmoid
2ème couche Sigmoid
Couche de sortie Linéaire
Définition des entrées VT (V) Nenz Csub
Min 10 unités/cm3
0.2 10-7 mol/l
Max 5000 unités/cm3
0.3 10-2 mol/l
Définition des sorties VTL (V)
Max 03
Min 0.2
EQM de test 10-8
EQM d9apprentissage 1.9 10-4
Base de données Base d9apprentissage 828
Base de validation 90

Tableau IV.1 : Paramètres optimisés du réseau de neurones

72
Chapitre IV Modèle intelligent (INV-ANN) du capteur EnFET

Par analogie, avec la modélisation du capteur « chapitre III » on procède à la

modélisation du modèle inverse « capteur intelligent ». A la fin de la phase d9apprentissage et
d9optimisation on obtient une architecture semblable à celle du modèle ANN. L9algorithme
d9apprentissage et l9optimisation ont été étudiés au chapitre III.

Nous avons utilisé un programme Matlab pour l9apprentissage qui nous donne les
matrices des paramètres du réseau de neurones « biais et poids ».

Conclusion

Les résultats de simulation obtenus, montrent que le modèle INV-ANN développé a permis de
corriger la sortie du capteur, tout en éliminant la non linéarité. L9association de cet élément de
correction, modélisé à base des ANNs a apporté des améliorations considérables sur le
fonctionnement du notre capteur.

73
Conclusion
Générale
 Conclusion Générale

Conclusion générale

Les capteurs intelligents constituent un domaine de recherche de pointe grâce à leur

fonction de monitoring et de contrôle de paramètres physico-chimiques et biologiques, dans
tous les domaines de l9activité humaine. Dans le cadre d9applications de détection, d9analyse
ou de surveillance. Leurs applications dans des domaines tels que la sécurité (systèmes
d9identification et d9authentification), la gestion des biens, le bâtiment, le transport, la
fabrication, la détection environnementale, les hydrocarbures, le textile, la maintenance
prédictive industrielle, le monitoring médical, ouvrent de nouvelles opportunités de
développement économique.

Le principe du capteur intelligent étudié repose sur un dispositif dont le diélectrique est
constitué par la solution dont on veut connaitre la quantité enzymatique dans la solution
(concentration du substrat) selon le décalage de la tension de seuil. Malheureusement, toute
variation des grandeurs d9influence (la concentration du substrat ou la constante de Michaelis
...) induit une erreur de la réponse en plus de la réponse non linéaire. Pour arriver à compenser
toutes ses dérives, nous avons fait appel, dans ce mémoire, aux réseaux de neurones d9abord
pour reproduire fidèlement la nature de la réponse du modèle du capteur enzymatique appelé
modèle direct. Puis, en second lieu nous avons conçu un modèle inverse appelé capteur
intelligent qui permet d9éliminer toutes les imperfections que nous avons relevées. Comme
perspective de ce travail, on peut imaginer son extension à d'autres paramétres qui affectent sa
réponse à titre d'exemple nous citerons l'hystéresis, l9intégration matérielle de ce modèle sur
des FPGA ou un ASIC qui sera pourquoi pas commercialisé. L'insertion du modèle conçu
peut se faire sur le logiciel PSPICE.

75
 Références

[1] S. M Sze, Physics of semiconductor devices, 2nd edition, editions Wiley, 1981.
[2] P. Bergveld, Development of an ion-sensitive solid-state device for neurophysiological
measurements, IEEE Trans. Biomed. Eng. BME 3 17 (1970) 70-71.
[3] S. Caras & J. Janata. pH based enzyme potentiometric sensors. Parts 133. Anal. Chem,
vol. 57, pages 191731925, 1985.
[4] W. Sant, ML Pourciel-Gouzy, J. Launay, T. Do Conto, R. Colin, A. Martinez & P.
Temple-Boyer. Development of a creatinine-sensitive sensor for medical analysis.
Sensors & Actuators : B. Chemical, vol. 103, no. 1-2, pages 2603264, 2004.
[5] H. Mathiew, Physique des semiconducteurs et des composants électroniques, Editions
Dunod, Paris, 5ème édition 2000.
[6] B. Diagne, Étude et modélisation compacte d9un transistor MOS SOI double - grille
dédié à la conception, Thèse de doctorat de l9Université Louis Pasteur - Strasbourg I,
2007.
[7] X. Yong Étude de transistors MOS à base de matériaux organiques, Stage effectué à
l9Institut de Microélectronique, Electromagnétisme et Photonique (IMEP-LAHC),
Master 2 Juin 2008.
[8] D. E. Yates, S. Levine, T. W. Healy, Site-binding model of the electrical double layer
at the oxide/water interface, J. Chem. Soc. Farady Tran. 70, pp. 1807-1818, 1974.
[9] I. Humenyuk. « Développement des micro-capteurs chimiques ChemFETs pour
l9analyse de l9eau », Thèse de doctorat, INSA de Toulouse, 2005.
[10] Bergveld, A. Sibbald, Analytical and Biomedical Applications of Ion selective Field
Effect Transistors, Elsevier Science Publishers, Amsterdam, 1988.
[11] Massimo Grattarola and et al. ''Modeling H+-Sensitive FETs with SPICE'' IEEE trans.
Elect. Devices, Vol.39, No.4, April, 1992.
[12] B. Torbiero. Développement de micro-capteurs électrochimiques pour l9analyse en
phase liquide, thèse de doctorat, INSA de Toulouse, 2006.
[13] S. Martinoia, G. Massobrio. A Behavioral macromodel of the ISFET in SPICE,
Sensors and Actuators B 62, pp. 182-189, 2000.
[14] J. C. Dutta modeling ion sensitive field effect transistors for biosensor applications
International Journal of Advanced Research in Engineering and Technology, ISSN
0976 3 6499(Online) Volume 1, Number 1, May - June (2010), © IAEME.

76
[15] [Link], [Link]. Introduction to bioelectronics: interfacing biology with
electronics. Biosensors and Bioelectronics, 9 (1994).
[16] George. Ash et collaborateurs, ''les capteurs en instrumentation industrielle'',
BORDAS, Paris 1987, ISBN S2-04-016948-2.
[17] L. Michaelis & ML Menten. Kinetics of invertase action. Biochem. Z, vol. 49, pages
3333369, 1913.
[18] P. Racine & W. Mindt. On the role of substrate diffusion in enzyme electrodes.
Experentia Suppl, vol. 18, pages 5253543, 1971.
[19] PN Bartlett & KFE Pratt. Modelling of processes in enzyme electrodes. Biosensors &
bioelectronics, vol. 8, no. 9-10, pages 4513462, 1993.
[20] R. Baronas, I. Feliksas& J. Kulys. ''Mathematical Modeling of Biosensors :An
Introduction for Chemists and Mathematicians'', Springer Verlag, 2009.
[21] N.F. Sheppard, D.J. Mears & A. Guiseppi-Elie. Model of an immobilized enzyme
conductimetric urea biosensor. Biosensors and Bioelectronics, vol. 11, no. 10, pages
9673979, 1996.
[22] S.D. Caras, D. Petelenz & J. Janata. pH-based enzyme potentiometric sensors. Part 2.
Glucose-sensitive field effect transistor. Analytical chemistry, vol. 57, no. 9,
pages192031923, 1985.
[23] F. Aouni, R. Mlika, C. Martelet, H.B. Ouada, N. Jaffrezic-Renault & A.P. Soldatkin.
Modelling of the Potentiometric Response of ENFETs Based on Enzymatic Multilayer
Membranes. Electroanalysis, vol. 16, no. 22, pages 190731911, 2004.
[24] P. Temple-Boyer, J. Le Gal, ML Pourciel-Gouzy, W. Sant & A. Martinez. Modelling
of EnFETs for the créatinine detection. Sensors &Actuators: B. Chemical, vol. 118,
no. 1-2, pages 47352, 2006.
[25] M.L. Pourciel-Gouzy. Développement d9interfaces adaptées aux analyses
biochimiques et biologiques - Application aux capteurs chimiques CHEMFETs. Thèse
de doctorat, INSA de Toulouse, 2004.
[26] P. Temple-Boyer, A. Benyahia, W. Sant, ML Pourciel-Gouzy, J. Launay& A.
Martinez. Modelling of urea-EnFETs for haemo dialysis [Link] &
Actuators: B. Chemical, vol. 131, no. 2, pages 5253532, 2008.
[27] Ahmed BENYAHYA. Conception réalisation et modélisation de microcapteurs pour
l'analyse biochimique. Thèse de doctorat, Université de Toulouse, 2010.
[28] J-C. Boeglin. Contrôle des eaux douces et de consommation humaine. Techniques de
l9ingenieur, 2009.

77
[29] L.J. Bousse. The chemical sensitivity of electrolyte/insulator/silicon structures:
fundamentals of ISFET operation. Thèse de doctorat, Technische Hoge school
Twente, 1982.
[30] Claude TOUZET. These, ''Les réseaux de neurones artificiels introduction au
connexionnisme'', Juillet 1992.
[31] Marc Parizeau. These, ''Réseaux de neurones'', Université de laval, Automne
2004.
[32] Fabien Moutarde. Introduction aux réseaux de neurones, Ecole des Mines de Paris,
Avril 2007.
[33] Rémi COULOM. Apprentissage par renforcement utilisant des réseaux de neurones,
avec des applications au contrôle moteur, institut national polytechnique de Grenoble
« 2002 ».
[34] Gert van der Horn, Johan H. Huijsing. Inegrated Smart Sensors: design and
calibration, Kluwer academic publisher,1998.
[35] Won Young Yang, Wenwu Cao, and Tae-Sang Chung and John Morris. ''Applied
numerical methods using Matlab'', John Wiley & Sons, Inc2005.
[36] Chia-Yen Lee and Gwo-Bin Lee. ''MEMS-based Humidity Sensors with Integrated
Temperature Sensors for Signal Drift Compensation''.0-7803-8313, [Link].2003,
IEEE.
[37] Paul BOURRET, James REGGIA, Manuel SAMUELIDES. Réseaux neuronaux une
approche connexionniste de l9intelligence artificielle, Ouvrage de l9édition TEKNEA,
1991.
[38] Kodjo Agbossou, [Link] Agbebavi, Demagna Koffi et Mohammed Elhiri.
Conception d9un capteur intelligent pour la détection des vapeurs de styrène dans
l9industrie, J. [Link] France 4 2031-2045 « 1994 ».
[39] ARPAIA, P. 3 DAPONTE, P. 3 GRIMALDI, and D. 3 MICHAELI, L. ANN-Based
Error Reduction for Experimentally Modelled Sensors, IEEE Trans. on
Instrumentation and Measurement, vol. 51, no. 1, pp. 23-30, (2002).

78
 Résumé

Le but de ce travail est de concevoir un capteur enzymatique intelligent, d'abord qui

reproduit le comportement physique du capteur puis d9éliminer la non linéarité de la sortie de
notre capteur. A l9aide des réseaux de neurone et du logiciel Matlab on a commencé par la
phase d9apprentissage afin d'obtenir un modèle ANN. Une linéarisation par le programme
Matlab est appliquée à la sortie de l9ANN dont le but est de créer une base de données pour la
correction permettant de linéariser sa réponse. L9apprentissage pour cette base de données
nous donne le modèle inverse INV-ANN. Notre capteur intelligent est constitué de deux blocs
: modèle ANN et le modèle inverse INV-ANN.

Mots clés :

Capteur enzymatique EnFET, ANN, INV-ANN, Réseaux de neurones, MLP, créatinine.

79
Symbole Description Unité

EnFET Enzymatique field effect transistor

ANN Artificial Neural Network
ANN-model Modèle à base des réseaux de neurones
INV-ANN Modèle inverse à base des réseaux de neurones
MLP Multilayer Perceptron
MOSFET Metal Oxide Semiconductor Field Effect Transistor
ISFET Ion Semiconductor Field Effect Transistor
NL Non Linéarité
VT Tension de seuil mV
VTL Tension de seuil d9ANN-INV mV

80