Anaerobic co-digestion of wastewater sludge and food waste: A machine learning approach to process modeling and optimization
Notice bibliographique
Résumé
Due to the complex microbial interactions in anaerobic co-digestion (An-CoD), predicting process outcomes remains challenging. This study applies machine learning (ML) to model and optimize the co-digestion of wastewater sludge and food waste (FW). A generalized, transferable framework is developed that reflects real-world operational constraints by isolating the mixing ratio as the primary input variable under fixed digester conditions, an approach aligned with full-scale facility limitations. Unlike prior studies limited to data from single facilities, this model is trained on a diverse dataset compiled from multiple literature sources, enhancing its applicability across varying sludge and FW characteristics. Three ML models, random forest (RF), XGBoost, and artificial neural networks (ANN), were trained to predict methane yield and assess the influence of feedstock and operational parameters. Regularized ANN outperformed other models, reducing overfitting, and achieved an R 2 of 0.86 and NRMSE of 0.31. The trained model was then coupled with a global optimization algorithm (dual annealing) to identify mixing ratios that maximize methane yield based on feedstock properties. Optimization across seven candidate points, spanning a range of solid contents, revealed that methane yield scales with feedstock quality and process intensity. High-VS sludge and FW mixtures under mesophilic continuous operation yielded up to 510 mL/g VS, while inorganic-rich, low-VS sludge limited yields to ∼130 mL/g VS. Medium-quality mixtures reproduced experimental trends, exceeding 300 mL/g VS. Predicted yields ranged from 134 to 510 mL/g VS, with optimal mixing ratios varying from 0.99 % to 88 % VS across scenarios. • Anaerobic co-digestion process was modeled using machine learning. • Optimum mixing ratio in co-digestion varies with characteristics of the substrates. • The volatile to total solids ratio is a significant feature in anaerobic digestion modeling. • Optimization techniques showed potential in complementing experimental approaches.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».