低碳废水处理和循环水产养殖系统的资源回收,通过基于机器学习优化优化的固定氏菌

科学领域:

• 环境生物技术 环境生物技术
• 水产养殖工程 水产养殖工程
• 微藻生物修复 微藻生物修复

背景情况:

• 再循环水产养殖系统 (RAS) 需要有效的废水处理和资源回收.
• 固定微藻提供了一个可持续的解决方案,但需要优化过程参数.
• 过程因子之间的相互作用阻碍了固定微藻的最佳性能.

研究的目的:

• 使用机器学习优化酸盐固定化的Chlorella vulgaris的参数.
• 评估RAS中固定微藻和微藻-细菌联盟的效率.
• 调查增强的去除和生物质生产背后的分子机制.

主要方法:

• 机器学习算法被用来优化灯光强度,初始细胞密度和颗粒大小的固定Chlorella vulgaris.
• 持续照明被应用于固定的C. vulgaris和一个微藻-细菌联盟.
• 对C. vulgaris进行了转录组分析,以了解基因表达变化.

主要成果:

• 优化的参数包括474μmol/(m2·s) 的光强度,23×106个细胞/mL的初始细胞数和2.07毫米的颗粒大小.
• 固定化的财团显著改善了水净化和生物质再利用.
• 转录学揭示了增强的去除,脂质积累和二氧化碳固定.

结论:

• 机器学习优化显著提高了RAS中固定微藻的性能.
• 微藻-细菌联盟证明了高效的低碳资源回收,产生了高质量的生物质,斯特鲁维特和酸.
• 这项研究提出了可持续水产养殖的可行生物技术方法.