Analyzing Power Consumption in a Coaxial Bioreactor Using Machine Learning Techniques with Computational Fluid Dynamics
Notice bibliographique
Résumé
Agitated bioreactors are the subject of many studies regarding their design and scale-up to enhance the productivity in various chemical and biochemical industries. In this regard, accurately predicting their power consumption is very important, because it influences the mass transfer rate and flow uniformity inside the bioreactor. A literature review revealed that no study has been conducted to investigate the performance of coaxial bioreactors in terms of their power consumption using a machine learning method. In this study, a computational fluid dynamics (CFD) model was developed and validated against experimental data. Subsequently, 500 simulations at different aeration rates (2–6 L/min), anchor impeller speeds (3.5–9.5 rpm), central impeller speeds (60–150 rpm), and rotating modes (co-rotating and counter-rotating) were conducted. The data from these simulations were utilized to train and test various machine learning models. Initially, the k-nearest neighbor (KNN) classification model was employed to categorize the coaxial bioreactors into different rotating modes. It was found that with just the torque value and central impeller speed, the model achieved successful classification. In addition, various regression models, including multi-layer perceptron (MLP), KNN, and random forest, were developed to predict the torque that would be produced by the coaxial bioreactor. For all models, the hyperparameter tuning and cross-validations were performed. The mean squared error (MSE) evaluation showed that the random forest model had superior performance compared to its counterparts.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».