基于实时传感器数据配置的深度学习方法应用于开放的赛道池微藻生产率预测

科学领域:

• * 微藻生物技术及其在可再生能源和碳捕获方面的应用.
• * 可持续的生物产品和生物燃料来自微藻生物质.

背景情况:

• *户外开放式赛道池 (ORP) 种植对于微藻生物质生产至关重要,利用阳光和CO2.
• *ORP中的动态环境条件挑战了准确的生产率预测.
• *目前的方法需要耗时的物理测量和特定地点的校准.

研究的目的:

• * 引入一种基于图像的新型深度学习模型,用于预测ORP生产力.
• * 通过遥感数据,能够准确预测微藻生物质产量.
• * 为微藻生产作业提供一种高效,具有成本效益的工具.

主要方法:

• * 开发一个深度学习模型,利用参数配置图像 (pH,溶氧,温度,PAR,TDS).
• *将模型应用于来自海藻试验床公私伙伴关系 (ATP3) 统一现场研究的大型数据集.
• * 远程监控传感器参数,无需与ORP进行物理交互.

主要成果:

• * 基于图像的深度学习模型显著优于传统的机器学习方法 (R2 = 0.77对R2 = 0.39).
• *该模型准确地预测了ORP的生产力,而不包括生物过程参数.
• *敏感性分析证实了数据分辨率和参数变化方法的稳定性.

结论:

• *基于图像的深度学习为预测ORP生产率提供了一种有效且廉价的方法.
• *可以利用远程监测数据进行准确的微藻产量预测.
• * 这项技术可以优化微藻种植和运营管理.