来自机器学习的动力模型,用于通过从低热预处理的棕核驱逐废物转换微藻生产的准确预测
Mohamad Zulfadhli Ahmad Sobri1, Kuan Shiong Khoo2, Nurul Tasnim Sahrin1
1HICoE-Centre for Biofuel and Biochemical Research, Institute of Self-Sustainable Building, Department of Fundamental and Applied Sciences, Universiti Teknologi PETRONAS, 32610, Seri Iskandar, Perak Darul Ridzuan, Malaysia.
Chemosphere
|July 17, 2023
概括
机器学习优化了微藻生物的生产,使用热预处理的棕核排泄器 (PKE) 废物. 这种增强的动力模型实现了高精度,并改善了净能量比率 (NER),显示了可持续能源的潜力.
科学领域:
- 生物技术是生物技术.
- 可再生能源可再生能源是可再生能源.
- 机器学习 机器学习
背景情况:
- 随着能源需求的不断增长和化石燃料的枯竭,需要可持续的替代方案.
- 微藻生物的生产是有希望的,但由于复杂和昂贵的过程,它面临着商业化挑战.
- 优化微藻生产需要高效和数据驱动的方法.
研究的目的:
- 使用机器学习 (ML) 分析微藻生产数据.
- 开发一个增强的动力模型,整合棕果核驱散器 (PKE) 废物的热预处理.
- 优化微藻生物生产效率和净能比 (NER).
主要方法:
- 收集了微藻生产实验中的时间序列数据.
- 应用机器学习 (ML) 来分析数据集.
- 推导出一个增强的戈珀茨运动模型,包括热预处理持续时间.
主要成果:
- 改进的动力模型预测,在6天后,在90°C使用1小时热预处理的PKE废物后,微藻产生387.1毫升/克微藻的最佳微藻产量.
- 该模型表现出高精度 (R2 = 0.9556) 和0.71.7的改善净能比 (NER).
- 重复使用微藻培养进一步改善了NER,达到0.91.
结论:
- 机器学习有效地优化了微藻生物生产过程.
- 增强的动力模型为预测产量提供了更准确,更有效的方法.
- 这种方法突显了ML在推动可持续生物能源生产方面的潜力.
