一种基于数据的方法,用于揭示无氧消化过程中生物炭电化学性质差异之间的联系,使用自动机器学习来实现
Ying Deng1, Yifan Zhang2, Zhiqiang Zhao1
1Key Laboratory of Industrial Ecology and Environmental Engineering (Dalian University of Technology), Ministry of Education, School of Environmental Science and Technology, Dalian University of Technology, Dalian 116024, China.
The Science of the total environment
|April 8, 2024
概括
生物炭通过改善电子转移来增强无氧消化. 机器学习模型确定了特定原料条件的最佳生物碳特性,如电容和导电性,以最大限度地提高甲产量.
科学领域:
- 环境科学 环境科学
- 生物技术是生物技术.
- 材料科学 材料科学 材料科学
背景情况:
- 生物炭的电化学特性通过促进微生物电子转移来增强无氧消化 (AD).
- 为AD创造最佳导电性和电容的生物炭是具有挑战性的.
- 选择适合特定应用的生物炭需要了解其特性对AD的影响.
研究的目的:
- 用自动机器学习来建模生物炭特性对无氧消化过程的影响.
- 确定影响甲产量的关键生物炭特征.
- 开发一种用于选择AD应用的理想生物炭的预测工具.
主要方法:
- 应用了两个自动机器学习算法 (TPOT和H2O) 来模拟生物炭对AD的影响.
- 使用梯度提升机来实现高预测精度 (R2 = 0.96).
- 进行特征重要性和部分依赖性分析以确定关键因素.
主要成果:
- 原料度,消化时间,生物碳容量和导电性是影响甲产量的关键因素.
- 高容量生物炭 (0.27-0.29V·mA) 有利于低固体 (<19.6%TS) 的基板.
- 高导电性生物炭 (80.82-170.58 mS/cm) 适用于高固体 (> 20.1% TS) 的基板.
结论:
- 机器学习有效地模拟了生物炭对无氧消化的影响.
- 为优化甲生产,将生物炭特性 (电容和导电性) 调整为基质特性至关重要.
- 开发的软件有助于研究人员为AD试验选择最佳生物炭,促进实际实施.
