Input significance ranking of microalgae continuous culture models
Notice bibliographique
Résumé
Abstract Background Microalgal cultures are evolving into a promising ecofriendly technology for a host of applications. To be sustainable, culture conditions need to be optimized and then controlled. One way to develop robust controllers for a cultivation system is by using mathematical growth models to simulate microalga‐based production. In this scenario, engineering design tasks begin by selecting the critical variables of these models. Results A new methodology for determining the significance ranking of a model's input factors under steady‐state operation (parameters (e.g. biological, geometrical) and/or process variables) was designed. The sensitivity of biomass response to its inputs was investigated in four different photobioreactor growth models within a nominal operational region. The methodology ranks models’ input factors based on the one‐at‐a‐time Morris method of elementary effects and variance‐based Sobol's method. Such information provided by the presented procedure is valuable as it reveals which input parameters explain most of the variance in model predictions. Conclusion The methodology allowed the identification of controlled variables and biological parameters to be targeted for enhanced calibration. Furthermore, the presented methodology showed that in continuous reactors the dilution rate is a critical variable of the process. Therefore, it should be controlled. Additionally, most surprisingly, it is observed that controlling the light intensity within the optimum point of operation is not necessarily a crucial task. However, although its manipulation is still important, the accurate calibration of the parameters of the model may represent a greater influence on the biomass response. © 2023 Society of Chemical Industry (SCI).
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 tête enseignante, 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 ».