使用机器学习的污染检测和减少发酵过程的方法.
Xuan Dung James Nguyen1, Y A Liu2, Christopher C McDowell1,3
1Aspen Tech Center of Excellence in Process System Engineering, Department of Chemical Engineering, Virginia Polytechnic Institute and State University, Blacksburg, VA, 24061, USA.
本研究引入了用于发酵污染检测的机器学习 (ML). 开发的模型准确地识别了受污染的批量,提高了工艺效率并降低了污染风险.
科学领域:
- 生物技术是生物技术.
- 机器学习 机器学习
- 工业微生物学 工业微生物学
背景情况:
- 发酵过程容易受到污染,影响产量和产品质量.
- 准确及时检测污染对于工业生物工艺至关重要.
- 传统的污染检测方法可能很慢,缺乏灵敏度.
研究的目的:
- 开发和验证用于发酵污染检测的准确和高效的机器学习 (ML) 方法.
- 用先进的算法优化ML模型的超参数调整.
- 将基于ML的检测与基于值的传统方法进行比较,并确定影响污染的关键因素.
主要方法:
- 使用了两种ML方法:一类支向量机 (OC-SVM) 和自动编码器.
- 使用Optuna平台进行并行超参数优化 (HPO),建议使用Hyperband算法进行贝叶斯式优化.
- 与污染检测的传统平均±3σ规则对比的基准ML模型.
主要成果:
- 在检测受污染的发酵批次时,实现了高回忆率 (高达1.0),而在未受污染的批次中,不损害精度 (高达0.96) 和特异性 (高达0.99).
- 与自动编码器相比,OC-SVM表现出更高的精度和特异性,这两种方法都实现了完美的回忆.
- 确定了导致污染的关键独立变量,为工艺调节提供了可操作的见解.
结论:
- 机器学习模型为实时发酵污染检测提供了一个高度准确的,数据驱动的方法.
- 这些模型需要最低限度的再培训,并且适合集成到工业监控系统中.
- 开发的方法有效地降低了污染的可能性,并超越了传统的检测技术.
更多相关视频
12:50Colorimetric Paper-based Detection of Escherichia coli, Salmonella spp., and Listeria monocytogenes from Large Volumes of Agricultural Water
Published on: June 9, 2014
13:39Cell Culture Techniques and Practices to Avoid Contamination by Fungi and Bacteria in the Research Cell Culture Laboratory
Published on: July 7, 2023
相关概念视频
Key Techniques in Microbiology
Methods for Controlling Microbial Growth
Methods of Classification and Identification
Physical Methods for Controlling Microbial Growth: Radiation and Filtration
