Utilisation de l’apprentissage automatique pour optimiser la production d’acides gras volatils dans la fermentation des boues médiée par la riboflavine

Les boues activées résiduaires (WAS) sont le sous-produit le plus productif dans les stations d’épuration municipales (STEP), et leur élimination pose une pollution secondaire qui menace gravement l’environnement. La production d’acides gras volatils (AGV) à partir de WAS est une technologie prometteuse qui permet la réutilisation des carbones organiques associés au complexe WAS.

De plus, les AGV peuvent favoriser la synthèse en aval de plastiques biodégradables et l’élimination des nutriments dans les STEUM dans des applications à l’échelle du laboratoire, à l’échelle pilote et à grande échelle. Cependant, la fermentation des AGV est un processus complexe et fastidieux, et l’utilisation de prétraitements alcalins, ultrasoniques et thermiques favorise la production d’AGV ; ils sont énergivores et peu économiques, ce qui limite leurs applications techniques à grande échelle.

Les chercheurs ont noté que la production d’AGV fermentaires pourrait être améliorée par l’utilisation de médiateurs chimiques rédox, en particulier la riboflavine, qui est un médiateur rédox abordable et respectueux de l’environnement. Cependant, le processus est très compliqué, affecté par divers facteurs environnementaux, intermédiaires et conditions de processus.

Bien que les expériences monofactorielles actuelles puissent dévoiler la réponse préliminaire des différents facteurs déterminants pour la production d’AGV par des tests fastidieux et laborieux, il était impossible de révéler leurs interactions. En outre, il n’a pas pu optimiser les multiples conditions de fonctionnement pour une production maximale de VFA à partir de WAS.

Pour optimiser ce processus de fermentation complexe, les chercheurs ont exploré l’application de l’apprentissage automatique (ML). Contrairement aux modèles mathématiques, les modèles ML sont indépendants des processus biologiques et des mécanismes intrinsèques et peuvent prédire les cibles concernées et extraire et identifier l’importance des caractéristiques de différentes variables.

Bien que des modèles ML aient été utilisés pour développer des capteurs logiciels robustes basés sur des données afin de prédire la production d’AGV à partir de systèmes de digestion anaérobie, peu de tentatives ont pris en compte les effets interactifs entre diverses variables d’entrée qui détermineraient le résultat idéal et les conditions de processus optimales.

En conséquence, pour développer un modèle ML rentable pour prédire la production d’AGV à partir de systèmes de fermentation WAS médiés par la riboflavine, l’équipe de recherche de l’Université Hangzhou Dianzi a testé ANN, XGBoost et RF. Cette étude intitulée « Machine learning activé prédiction et optimisation des processus de production d’AGV à partir de la fermentation des boues médiée par la riboflavine » est publiée en ligne dans Frontières des sciences et de l’ingénierie de l’environnement.

Compte tenu des variables d’entrée (pH, température, temps de fermentation, protéines solubles, glucides totaux, sucres réducteurs, dosage de NH4 + – N et de riboflavine), de la variable de sortie (production d’AGV) et de la communauté microbienne, les données expérimentales ont été obtenues à partir d’études antérieures.

Dans cette étude, l’importance des variables d’entrée dans la prévision de la production d’AGV a été analysée et classée sur la base de modèles ML optimaux. De plus, des algorithmes d’optimisation ont été appliqués pour prédire la production maximale d’AGV et les conditions de traitement correspondantes.

Leurs résultats ont montré que parmi les trois algorithmes ML testés, eXtreme Gradient Boosting (XGBoost) présentait les meilleures performances de prédiction et une excellente capacité de généralisation, avec le coefficient de détermination de test le plus élevé (R2 de 0,93) et l’erreur quadratique moyenne la plus faible (RMSE de 0,070). .

La méthode Shepley Additive Explanations (SHAP) a également été utilisée pour analyser l’importance des caractéristiques et leur interaction, leur pH et leurs protéines solubles se sont révélés être les deux principales caractéristiques d’entrée dans la modélisation. À l’aide d’un algorithme génétique (GA) et d’une optimisation d’essaim de particules (PSO), l’étude a trouvé la solution optimale de production de VFA, et la production maximale prévue de VFA était de 650 mg de DCO/g de VSS.

Ces résultats ont fourni une approche basée sur les données pour prédire et optimiser la production d’AGV à partir de la fermentation WAS médiée par la riboflavine. En combinant traitement chimique et apprentissage automatique, les chercheurs ont non seulement réussi à améliorer l’efficacité de la production des AGV, mais ont également ouvert de nouvelles possibilités pour la gestion durable des boues activées.

Ces progrès devraient jouer un rôle clé dans la protection de l’environnement et la récupération des ressources, avec un impact positif sur le traitement des eaux usées urbaines à l’avenir.