使用响应表面方法,对二氧化碳捕获差异分析和机器学习来建模和优化Chlorella vulgaris的生物质生产率

科学领域:

• 环境科学 环境科学
• 生物技术是生物技术.
• 化学工程是化学工程的重要组成部分.

背景情况:

• 微藻,特别是Chlorella vulgaris,因其在碳捕获和生物质生产方面的潜力而得到认可.
• 使用微藻进行生物修复提供了一种可持续的方法来缓解日益增加的碳排放.
• 优化种植条件对于最大限度地提高基于微藻的碳捕获效率至关重要.

研究的目的:

• 评估Chlorella vulgaris在通过生物修复减少碳排放方面的有效性.
• 研究温度和光强度对微藻生产率和二氧化碳捕获的影响.
• 为了比较深度神经网络 (DNN) 和响应表面方法 (RSM) 在优化培养参数方面的性能.

主要方法:

• 在光生物反应器中培养Chlorella vulgaris.
• 响应表面方法 (RSM) 和深度神经网络 (DNN) 的应用用于优化.
• 差异分析 (ANOVA) 用于评估因素的意义.

主要成果:

• 用RSM (28.74°C,225μmol/m2/s) 和DNN (29.55°C,226.77μmol/m2/s) 确定了Chlorella vulgaris种植的最佳条件.
• 与RSM相比,深度神经网络 (DNN) 在优化生物修复条件方面表现出更高的准确性和更高的性能.
• 优化的条件与已确定的文献值密切一致,验证了模型的有效性.

结论:

• 使用Chlorella vulgaris进行生物修复是减少碳排放的可行策略.
• 深度神经网络 (DNN) 为优化微藻种植提供了一个强大的工具,以提高二氧化碳的捕获.
• 这项研究为进一步研究高效生物修复过程的数学建模提供了基础.