利用微生物协同作用:预测最佳的联盟,以提高微生物燃料电池的性能,使用子空间-kNNN
Jimil Mehta1, Soumesh Chatterjee1, Manisha Shah1
1Electrical Engineering Department, Institute of Technology, Nirma University, Sarkhej-Gandhinagar Highway, Ahmedabad, 382481, Gujarat, India.
Journal of environmental management
|September 2, 2024
概括
本研究引入了一种人工智能 (AI) 模型,用于预测微生物燃料电池 (MFC) 的最佳微生物联盟,改善生物能源的产生和减少废物. 人工智能模型准确地预测了高绩效的财团,提高了MFC的效率并为可持续发展目标做出了贡献.
科学领域:
- 生物电化学 生物电化学
- 微生物学 微生物学
- 人工智能的人工智能
背景情况:
- 微生物燃料电池 (MFC) 使用外电源微生物产生生物能源,但由于微生物联盟相互作用,预测性能是复杂的.
- 目前用于识别MFC中最佳微生物联盟的方法是低效和资源密集的.
- 人工智能 (AI) 为预测基于微生物联盟的MFC性能提供了一个有希望的替代方案.
研究的目的:
- 开发一种新的,通用的人工智能模型,用于识别和预测MFC的最佳微生物联盟.
- 建立一个超越传统实验方法局限性的预测工具.
- 为了将微生物联盟的特征与MFC性能指标相关联.
主要方法:
- 开发了一个子空间k-近邻 (SS-kNN) AI模型.
- 该SS-kNN模型是使用35个微生物联盟的数据进行训练的,这些微生物联盟具有不同的废水特性.
- 输入特征包括化学氧气需求 (COD) 减少,电压生成,外聚糖化物 (EPS) 生产和电压生成标准偏差 (SD).
主要成果:
- 在训练过程中,SS-kNN模型实现了100%的准确性,并在与文献数据进行测试时达到85.71%的准确性.
- 经过实验验证的AI选择的联盟的实施,与构成微生物相比,MFC的COD减少率提高了15.67%.
- 该模型成功预测了高性能微生物联盟,以提高MFC效率.
结论:
- 开发的SS-kNN人工智能模型为MFC中选择最佳微生物联盟提供了准确有效的方法.
- 这种人工智能驱动的方法显著提高了MFC的性能,特别是COD减少.
- 该研究支持使用MFC技术用于清洁能源发电,减轻水污染,实现可持续发展目标 (SDGs) 6,7和13.
