Increasing productivity of <i>Spirulina platensis</i> in photobioreactors using artificial neural network modeling
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
Although production of microalgae in open ponds is conventionally practiced due to its economy, exposure of the algae to uncontrollable elements impedes achievement of quality and it is desirable to develop closed reactor cultivation methods for the production of high value products. Nevertheless, there are several constraints which affect growth of in closed reactors, some of which this study aims to address for the production of Spirulina. Periodic introduction of fresh medium resulted in increased trichome numbers and improved algal growth compared to growth in medium that was older than 4 weeks in 20 L polycarbonate bottles. Mixing of the cultures by bubbling air and use of draft tube reduced the damage to the growing cells and permitted increased growth. However, there was better growth in inclined cylindrical reactors mixed with bubbling air. The oxygen production rates were very similar irrespective differences in the maintained cultures densities. The uniformity in oxygen production rate suggested a tendency towards homeostasis in Spirulina cultures. The frequency of biomass harvest on the productivity of Spirulina showed that maintenance of moderate culture density between 0.16 and 0.32 g/L resulted in about 14% more productivity than maintaining the cell density between 0.16 and 0.53 g/L or 48% more than by daily harvest above 0.16 g/L. An artificial neural network based predictive model was developed, and the variables useful for predicting biomass output were identified. The model could predict the growth of Spirulina up to 3 days in advance with a coefficient of determination >0.94.
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 | 0,001 | 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 découle