Einsatz maschinellen Lernens zur Optimierung der Produktion flüchtiger Fettsäuren bei der Riboflavin-vermittelten Schlammvergärung

Abfallbelebtschlamm (WAS) ist das Nebenprodukt mit der höchsten Ausbeute in kommunalen Kläranlagen (MWTPs), und seine Entsorgung stellt eine Sekundärverschmutzung dar, die die Umwelt ernsthaft gefährdet. Die Herstellung flüchtiger Fettsäuren (VFAs) aus WAS ist eine vielversprechende Technologie, die die Wiederverwendung organischer Kohlenstoffe ermöglicht, die mit dem WAS-Komplex verbunden sind.

Darüber hinaus können VFAs die nachgelagerte Synthese biologisch abbaubarer Kunststoffe und die Entfernung von Nährstoffen in MWTPs in Anwendungen im Labormaßstab, Pilotmaßstab und Großmaßstab begünstigen. Allerdings ist die VFA-Fermentation ein komplexer und langwieriger Prozess, und der Einsatz von alkalischen, Ultraschall- und thermischen Vorbehandlungen fördert die VFA-Produktion; Sie sind energieaufwendig und unwirtschaftlich, was ihre großtechnischen Einsatzmöglichkeiten einschränkt.

Die Forscher stellten fest, dass die Produktion fermentativer VFAs durch den Einsatz chemischer Redoxmediatoren, insbesondere Riboflavin, das ein erschwinglicher und umweltfreundlicher Redoxmediator ist, gesteigert werden könnte. Der Prozess ist jedoch sehr kompliziert und wird von verschiedenen Umweltfaktoren, Zwischenprodukten und Prozessbedingungen beeinflusst.

Obwohl aktuelle Einzelfaktorexperimente durch zeit- und arbeitsaufwändige Tests die vorläufige Reaktion einzelner Antriebsfaktoren für die VFA-Produktion aufdecken konnten, war es unmöglich, ihre Wechselwirkungen aufzudecken. Außerdem konnten die verschiedenen Betriebsbedingungen für eine maximale VFA-Produktion von WAS nicht optimiert werden.

Um diesen komplexen Fermentationsprozess zu optimieren, untersuchten die Forscher die Anwendung von maschinellem Lernen (ML). Im Gegensatz zu mathematischen Modellen sind ML-Modelle unabhängig von biologischen Prozessen und intrinsischen Mechanismen und können die betreffenden Ziele vorhersagen sowie die Merkmalsbedeutung verschiedener Variablen extrahieren und identifizieren.

Obwohl ML-Modelle verwendet wurden, um robuste datengesteuerte Softsensoren zur Vorhersage der VFA-Produktion aus anaeroben Vergärungssystemen zu entwickeln, berücksichtigten nur wenige Versuche die interaktiven Effekte zwischen verschiedenen Eingabevariablen, die den idealen Output und die optimalen Prozessbedingungen bestimmen würden.

Um ein kostengünstiges ML-Modell zur Vorhersage der VFA-Produktion aus Riboflavin-vermittelten WAS-Fermentationssystemen zu entwickeln, testete das Forschungsteam der Hangzhou Dianzi University daher ANN, XGBoost und RF. Diese Studie mit dem Titel „Maschinelles Lernen ermöglichte Vorhersage und Prozessoptimierung der VFA-Produktion aus Riboflavin-vermittelter Schlammfermentation“ wurde online veröffentlicht in Grenzen der Umweltwissenschaft und -technik.

Unter Berücksichtigung der Eingabevariablen (pH-Wert, Temperatur, Fermentationszeit, lösliches Protein, Gesamtkohlenhydrate, reduzierender Zucker, NH4+-N- und Riboflavin-Dosierung), Ausgabevariable (VFA-Produktion) und Mikrobengemeinschaft wurden die experimentellen Daten aus früheren Studien gewonnen.

In dieser Studie wurde die Bedeutung von Eingabevariablen für die Vorhersage der VFA-Produktion analysiert und auf der Grundlage optimaler ML-Modelle eingestuft. Darüber hinaus wurden Optimierungsalgorithmen angewendet, um die maximale VFA-Produktion und die entsprechenden Prozessbedingungen vorherzusagen.

Ihre Ergebnisse zeigten, dass eXtreme Gradient Boosting (XGBoost) unter den drei getesteten ML-Algorithmen die beste Vorhersageleistung und ausgezeichnete Generalisierungsfähigkeit bot, mit dem höchsten Testbestimmungskoeffizienten (R2 von 0,93) und dem niedrigsten quadratischen Mittelfehler (RMSE von 0,070). .

Die Shepley Additive Explanations (SHAP)-Methode wurde auch zur Analyse der Merkmalsbedeutung verwendet und es stellte sich heraus, dass deren Wechselwirkung, pH-Wert und lösliches Protein die beiden wichtigsten Eingabemerkmale in der Modellierung waren. Mithilfe des genetischen Algorithmus (GA) und der Partikelschwarmoptimierung (PSO) fand die Studie die optimale Lösung für die VFA-Ausgabe, und die vorhergesagte maximale VFA-Ausgabe betrug 650 mg CSB/g VSS.

Diese Ergebnisse lieferten einen datengesteuerten Ansatz zur Vorhersage und Optimierung der VFA-Produktion aus der Riboflavin-vermittelten WAS-Fermentation. Durch die Kombination von chemischer Behandlung und maschinellem Lernen ist es den Forschern nicht nur gelungen, die Produktionseffizienz von VFAs zu verbessern, sondern auch neue Möglichkeiten für die nachhaltige Bewirtschaftung von Abfallbelebtschlamm zu eröffnen.

Es wird erwartet, dass dieser Fortschritt eine Schlüsselrolle beim Umweltschutz und der Ressourcenrückgewinnung spielt und sich in Zukunft positiv auf die städtische Abwasserbehandlung auswirken wird.