Simulación del proceso de digestión anaeróbica bajo lodos de alimentación variables utilizando un modelo híbrido de...

Área de la Ciencia:

• Ingeniería ambiental
• Biotecnología
• Inteligencia artificial

Sus antecedentes:

• La digestión anaeróbica (DA) es crucial para estabilizar los lodos de las aguas residuales.
• La simulación precisa del rendimiento de AD es esencial para optimizar los procesos de tratamiento.
• Los avances en inteligencia artificial ofrecen nuevas posibilidades para modelar sistemas biológicos complejos.

Objetivo del estudio:

• Investigar un enfoque híbrido que combine el aprendizaje automático (ML) y el promedio del modelo bayesiano para simular el rendimiento de la digestión anaeróbica (AD).
• Evaluar la eficacia de cinco técnicas ML (DT, RF, GB, SVR, MLP) para predecir la producción de biogás, la eliminación de sólidos volátiles y la producción total de sólidos.
• Mejorar la precisión de las predicciones de los sistemas de AD utilizando datos a escala de laboratorio.

Principales métodos:

• Se emplearon cinco técnicas de aprendizaje automático: árbol de decisión (DT), bosque aleatorio (RF), aumento de gradiente (GB), regresión de vectores de soporte (SVR) y perceptrón multicapa (MLP).
• Se utilizaron datos a escala de laboratorio sobre las condiciones de los lodos de entrada para predecir la producción de biogás, la eliminación de sólidos volátiles y la producción total de sólidos.
• Aplicación del promedio del modelo bayesiano para combinar los resultados del modelo ML para una mayor precisión.

Principales resultados:

• Los modelos individuales de ML mostraron un rendimiento variable, con el mejor modelo para la salida de biogás logrando R² de 0.90.
• El rendimiento más bajo se observó para la predicción de salida de sólidos totales (R² de 0,53).
• El enfoque híbrido mejoró significativamente la precisión de la predicción, aumentando R² a 0.98 para la salida total de sólidos y reduciendo los errores.

Conclusiones:

• Los modelos de aprendizaje automático pueden simular eficazmente los indicadores clave de rendimiento de los sistemas de digestión anaeróbica.
• Un enfoque híbrido que integra el promedio del modelo bayesiano con los modelos de ML mejora sustancialmente la precisión de la predicción para los procesos de AD.
• Este estudio demuestra el potencial de los modelos híbridos impulsados por IA para optimizar la estabilización de los lodos de aguas residuales.