Optimization of Methane Gas Production From Co-digestion of Food waste and Poultry Manure Using Artificial Neural Network and Response Surface Methodology
Notice bibliographique
Résumé
Food waste with high carbohydrate content is considered as a suitable substrate for fermentation of methane gas. In this study, co-digestion of poultry manure (PM) and food waste (FW) was used. Response surface methodology (RSM) and artificial neural network (ANN) were applied to optimize parameters of co-digestion of PM and FW at different ratios, initial pH values and temperatures. A comparative analysis was done using RSM and ANN in a predictive model of the experimental data obtained in accordance with the central composite design. The combined effects of the independent variables (ratio, pH and temperature) as the most significant parameters of methane fermentation of PM and FW were investigated. Optimization using RSM and ANN showed a good fit between the experimental and the predicted data as elucidated by the coefficient of determination with R2 values of 0.991 and 0.998, respectively. Quadratic RSM predicted the maximum methane yield to be 537 mL CH4/g VS at the optimal conditions; ratio 80:20 (PM : FW); temperature 35 °C; and initial pH 7.11. The maximum predicted methane yield by the ANN model was 535.82 mL CH4/g VS at the following conditions; ratio of poultry manure to food waste 80:20; temperature 35 °C; and pH 7.00. The verification experiments successfully produced 538 mL CH4/g VS within 14 days of incubation. These experiments indicated that the developed model was successfully used to predict the fermentable methane production.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».