Evaluation of spectrofluorometry as a tool for estimation in fed‐batch fermentations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Native culture fluorescence was investigated as an additional source of information for predicting biomass and glucose concentrations in a fed-batch fermentation of Alcaligenes eutrophus. Partial least squares (PLS) regression and a feed forward neural network (FFNN) coupled with principle component analysis (PCA) were each used to model the kinetics of the fermentation. Data from three fermentations was combined to form a training set for model calibration and data from a fourth fermentation was used as the testing set. The fluorescent soft-sensors were compared with a previously developed feed forward neural network soft-sensor model which used oxygen uptake rate (OUR), carbon dioxide evolution rate (CER), aeration rate, feed rate, and fermentor volume to estimate biomass and glucose concentrations. The best model performance for predicting both biomass and glucose concentrations was achieved using the native fluorescence-based models. Real data predictions of the biomass concentration in the testing set were obtained using both the PLS and FFNN PCA modeling utilizing fluorescence measurements plus the rate of change of the fluorescence measurements. Accurate predictions of the glucose concentration in the testing set were obtained using the FFNN PCA modeling technique utilizing the rate of change of the fluorescence measurements. Substrate exhaustion was indicated qualitatively by a first-order PLS model utilizing the rate of change of fluorescence measurements. These results indicate that native culture fluorescence shows promise for providing additional valuable information to enhance predictive modeling which cannot be extracted from other easily acquired measurements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle