Evaluación comparativa de algoritmos de aprendizaje automático para la electrometanogénesis microbiana: una...

Área de la Ciencia:

• Bioelectroquímica y Fisiología Microbiana
• Energía Sostenible y Bioprocesamiento
• Aprendizaje Automático en Ciencias Ambientales

Sus antecedentes:

• La electrometanogénesis microbiana (EM) es una tecnología prometedora para la mejora sostenible del biogás.
• Predecir el rendimiento de EM es difícil debido a dinámicas de proceso complejas y no lineales.
• El aprendizaje automático (ML) ofrece potencial para mejorar la precisión predictiva y la comprensión del proceso.

Objetivo del estudio:

• Comparar sistemáticamente siete algoritmos de ML supervisados para predecir la producción de biometano en EM.
• Identificar los parámetros operativos más influyentes que rigen el rendimiento de EM utilizando análisis de importancia de características.
• Obtener información mecanicista sobre la metanogénesis bioelectroquímica a través de análisis impulsados por ML.

Principales métodos:

• Se utilizaron datos experimentales de sistemas bioelectroquímicos de EM (EM-BES), que incluyen densidad óptica (OD600), pH, conductividad eléctrica (EC), corriente aplicada promedio y disponibilidad de CO2.
• Se evaluaron siete algoritmos de ML: 1D-CNN, MLP, GBR, AdaBoost, regresores de apilamiento y kNN.
• Se emplearon la optimización de hiperparámetros y las explicaciones aditivas de SHapley (SHAP) para la optimización del modelo y el análisis de importancia de características.

Principales resultados:

• El modelo 1D-CNN logró un rendimiento predictivo superior con una R² de 0,934, superando a los métodos de ML tradicionales.
• El análisis SHAP identificó la corriente promedio, OD600 y el pH como los factores más críticos que influyen en la producción de biometano.
• Se revelaron efectos complejos y no monotónicos de otras variables, mejorando la comprensión del proceso.

Conclusiones:

• Las arquitecturas de aprendizaje profundo, como la 1D-CNN, muestran un potencial significativo para optimizar los procesos de EM.
• Los modelos de ML pueden descubrir información mecanicista sobre la metanogénesis bioelectroquímica, basada en principios fundamentales.
• Los hallazgos son aplicables a otros sistemas bioelectroquímicos (BES), como la electrosíntesis microbiana y las células de electrólisis microbiana, para el control operativo basado en datos.