Using an artificial neural network to predict the optimal conditions for enzymatic hydrolysis of apple pomace
Notice bibliographique
Résumé
Abstract The enzymatic degradation of lignocellulosic biomass such as apple pomace is a complex process influenced by a number of hydrolysis conditions. Predicting optimal conditions, including enzyme and substrate concentration, temperature and pH can improve conversion efficiency. In this study, the production of sugar monomers from apple pomace using commercial enzyme preparations, Celluclast 1.5L, Viscozyme L and Novozyme 188 was investigated. A limited number of experiments were carried out and then analysed using an artificial neural network (ANN) to model the enzymatic hydrolysis process. The ANN was used to simulate the enzymatic hydrolysis process for a range of input variables and the optimal conditions were successfully selected as was indicated by theR2value of 0.99 and a small MSE value. The inputs for the ANN were substrate loading, enzyme loading, temperature, initial pH and a combination of these parameters, while release profiles of glucose and reducing sugars were the outputs. Enzyme loadings of 0.5 and 0.2 mg/g substrate and a substrate loading of 30% were optimal for glucose and reducing sugar release from apple pomace, respectively, resulting in concentrations of 6.5 g/L glucose and 28.9 g/L reducing sugars. Apple pomace hydrolysis can be successfully carried out based on the predicted optimal conditions from the ANN.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».