生物炭增强的无氧消化系统:来自可解释堆叠合奏深度学习的见解
Muzammil Khan1,2,3, K C Surendra1, Sachita Baniya1,2
1Department of Molecular Biosciences and Bioengineering (MBBE), University of Hawai'i at Ma̅noa, 1955 East-West Road, Honolulu, Hawaii 96822, United States.
Environmental science & technology
|July 18, 2025
概括
这项研究优化了生物炭增强的无氧消化 (AD),使用深度学习模型提高甲产量. 可解释的AI框架预测性能,并确定稳定,高效的废物转化为能源的关键因素.
科学领域:
- 环境科学与工程环境科学与工程
- 生物技术是生物技术.
- 人工智能的人工智能
背景情况:
- 无氧消化 (AD) 对于废物管理和可再生能源生产至关重要.
- 生物碳增强可以提高AD效率,但过程优化仍然具有挑战性.
- 需要预测建模来优化使用生物炭的复杂AD系统.
研究的目的:
- 开发一种可解释的深度学习模型,以优化生物炭增强无氧消化 (AD).
- 预测甲产量并确保在各种条件下过程稳定性.
- 为现实世界AD优化提供一个实用的框架.
主要方法:
- 编制了关于原料,运行条件,生物炭特性和稳定性指标的广泛实验数据.
- 开发了一个堆叠组合深度学习模型,集成CNN和LSTM.
- 采用超参数调整,变量重要性和SHAP用于模型优化和可解释性.
- 实施基于模型的全球优化框架和图形用户界面.
主要成果:
- 堆叠组合模型实现了高的内部预测准确性 (平均R2 0.91-0.94) 和强大的概括性 (R2 0.68对外部数据).
- 该模型在预测甲产量方面超过了个别的深度学习模型.
- 解释性分析确定了影响甲生产和AD稳定的关键因素.
- 优化框架成功地为高甲产量和稳定性量身定制条件.
结论:
- 可解释的深度学习模型为优化生物炭增强AD系统提供了强大的框架.
- 这种方法提高了甲产量预测,并确保了过程稳定性,以有效地将废物转化为能源.
- 开发的工具有助于实际实施,促进资源回收和可持续废物管理.
