通过机器学习提高素-碳水化合物复合物的生产和性能
Daryna Diment1, Joakim Löfgren2, Marie Alopaeus3
1Department of Bioproducts and Biosystems, School of Chemical Engineering, Aalto University, Vuorimiehentie 1, Espoo, 02150, Finland.
ChemSusChem
|November 25, 2024
概括
机器学习优化了生物提炼,以产生高产量素碳水化合物复合物 (LCC). 这种新的方法显著提高了LCC的生产,使高碳水化合物含量可用于有价值的应用.
科学领域:
- 生物提炼和生物材料科学 生物提炼和生物材料科学
- 可持续的化学和工程.
背景情况:
- 素碳水化合物复合物 (LCC) 为高价值产品提供了协同作用的潜力,但在高产量生产中面临挑战.
- 像球磨和酶化水解等传统方法在LCC产量和向合成方面存在局限性.
研究的目的:
- 开发一种新的,以机器学习为指导的方法,用于有针对性的生产高碳水化合物含量和产量的LCC.
- 优化AquaSolv Omni (AqSO) 生物炼油工艺,以提高LCC的合成效果.
主要方法:
- 采用机器学习,特别是贝叶斯优化,调整生物炼油加工条件 (温度,严重程度,液体与固体比率).
- 利用帕雷托前线分析来确定LCC产量和碳水化合物含量之间的最佳权衡.
- 评估LCC特性,包括玻璃过渡温度 (Tg),表面张力和抗氧化活性.
主要成果:
- 实现了高产量的LCC (高达15%重量%) 与显著的碳水化合物含量 (高达60/100 Ar).
- 识别的加工条件产生LCC,产量为8-15%的产量和10-40/100 Ar的碳水化合物含量.
- 发现高碳水化合物LCC通常表现出较低的玻璃过渡温度和表面张力.
结论:
- 与传统方法相比,ML引导的生物炼油厂概念显著提高了LCC生产产量.
- 这种方法使LCC的可扩展生产成为可能,这些LCC具有针对高价值应用的定制特性.
- 优化的LCC显示出基于其特征的物理和化学性质的各种应用的潜力.
