在DIET增强的无氧消化中生产沼气的机械模型的比较评估

科学领域:

• * 环境科学 环境科学
• * 化学工程 化学工程
• * 生物技术 * 生物技术

背景情况:

• * 统计模型对于预测无氧消化 (AD) 中的生物气体产量至关重要.
• *现有模型需要对新系统进行验证,例如直接跨物种电子转移 (DIET) 增强的共消化.
• *机器学习 (ML) 为模型校准,选择和评估提供了强大的方法.

研究的目的:

• * 为了比较分析第一阶动力学,修改后的戈珀茨模型,以及陈和橋本 (CH) 模型的预测性能.
• * 通过 DIET 增强的污水污泥和小麦的共同AD 来评估这些模型,使用新的数据集.
• * 应用ML技术进行严格的模型评估,并确定最佳的预测模型.

主要方法:

• *使用了由DIET增强的污水污泥与小麦共同无氧消化的数据集.
• * 采用ML用于模型校准 (L-BFGS-B,BFGS优化) 和基于根平均平方误差 (RMSE) 的选择.
• * 进行了灵敏度分析 (Morris,Sobol') 以确定关键模型参数,并对测试数据 (R2,斜率) 的性能进行了评估.

主要成果:

• *CH模型被认为是最佳的,与第一阶段的动力和修改的戈珀茨模型相比,其RMSE降低了40-67%.
• * 灵敏度分析表明,CH常数 (K_CH) 的影响最小,而最终的沼气潜力 (G₀) 是高度敏感的.
• *模型评估显示,CH模型对测试数据的预测准确度 (R2和接近统一的斜率) 是令人满意的.

结论:

• *CH模型非常适合预测DIET增强的co-AD系统中的沼气产量.
• * ML驱动的模型选择和评估提供了可靠的性能评估.
• *建议进行进一步的ML调查,以探索这些模型在各种AD过程中的更广泛适用性.