Data Driven Models as A Powerful Tool to Simulate Emerging Bioprocesses: An Artificial Neural Network Model to Describe Methanotrophic Microbial Activity
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
The vision for sewage treatment plants is being revised and they are no longer considered as pollutant removing facilities but rather as water resources recovery facilities (WRRFs). However, the newly adopted bioprocesses in WRRFs are not fully understood from the microbiological and kinetic perspectives. Thus, large variations in the outputs of the kinetics-based numerical models are evident. In this research, data driven models (DDM) are proposed as a robust alternative towards modelling emerging bioprocesses. Methano- trophs are multi-use bacterium that can play key role in revalorizing the biogas in WRRFs, and thus, a Multi-Layer Perceptron Artificial Neural Network (ANN) model was developed and optimized to simulate the cultivation of mixed methanotrophic culture considering multiple environmental conditions. The influence of the input variables on the outputs was assessed through developing and analyzing several different ANN model configurations. The constructed ANN models demonstrate that the indirect and complex relationships between the inputs and outputs can be accurately considered prior to the full understanding of the physical or mathematical processes. Furthermore, it was found that ANN models can be used to better understand and rank the influence of different input variables (i.e., the physical parameters that influence methanotrophs) on the microbial activity. Methanotrophic-based bioprocesses are complex due to the interactions between the gaseous, liquid and solid phases. Yet, for the first time, this study successfully utilized DDM to model methanotrophic-based bioprocesses. The findings of this research suggest that DDM are a powerful, alternative modeling tool that can be used to model emerging bioprocesses towards their implementation in WRRFs.
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 | 0,002 |
| 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