微生物电甲基生成的基准机器学习算法:使用夏普利添加式扩展基于洞察力的全面评估

科学领域:

• 生物电化学和微生物生理学
• 可持续能源和生物处理
• 环境科学中的机器学习

背景情况:

• 微生物电甲生成 (EM) 是可持续生物气改造的一个有前途的技术.
• 由于复杂的,非线性过程动态,很难预测EM性能.
• 机器学习 (ML) 提供了提高预测准确性和流程理解的潜力.

研究的目的:

• 系统地比较七个监督的ML算法,用于预测EM中的生物甲生产.
• 通过特征重要性分析,确定管理EM性能的最有影响力的操作参数.
• 通过ML驱动的分析,获得对生物电化学甲基生成的机械洞察力.

主要方法:

• 使用了来自EM生物电化学系统 (EM-BES) 的实验数据,包括光密度 (OD600),pH,电导率 (EC),平均应用电流和CO2可用性.
• 评估了七个ML算法:1D-CNN,MLP,GBR,AdaBoost,堆叠回归器和kNN.
• 超参数优化和夏普利添加式扩展 (SHAP) 用于模型调整和特征重要性分析.

主要成果:

• 1D-CNN模型以0.934的R2取得了卓越的预测性能,超过了传统的ML方法.
• SHAP分析确定了平均电流,OD600和pH值是影响生物甲生产的最关键因素.
• 揭示了其他变量的复杂,非单调的效应,增强了过程理解.

结论:

• 像1D-CNN这样的深度学习架构显示出优化EM流程的巨大潜力.
• 机器学习模型可以揭示基于基本原则的生物电化学甲基生成的机械洞察力.
• 这些发现适用于其他生物电化学系统 (BES),如微生物电合成和微生物电解细胞,用于数据驱动的操作控制.