A Data-Driven Symbolic Regression Framework for Modeling and Multiobjective Optimization of a Microbial Fermentation System
Notice bibliographique
Résumé
Effective control of bioprocess systems requires a deep understanding of the fundamental equations governing them. However, in a data-driven framework, the discovery of such guiding rules is hampered by noisy data and intricate nonlinear dynamics. This paper presents a data-driven symbolic regression (SR) approach to enhance the modeling of microbial fermentation systems for bioprocessing. Unlike traditional machine learning (ML) models that fit data to predefined structures, SR discovers both the model structure and the parameters, offering interpretable mathematical expressions. To this extent, in this study, dissolved oxygen, aeration, agitation, temperature, and pH were utilized to develop a symbolic expression with the cell biomass and protein concentration. Results demonstrated that SR models achieved better performance with higher R -square and lower root-mean-square error and mean absolute error than various baseline ML models. A multiobjective optimization technique, namely, nondominated sorting genetic algorithm-II (NSGA-II), was employed over the developed model to optimize cell biomass, protein concentration, and batch time. Further, the optimal results obtained by NSGA-II were experimentally verified through three sequential runs, yielding a mean percentage deviation of 4.50% and 3.26% for cell biomass and protein concentration, respectively. Overall, the results indicate that SR modeling offers a powerful, interpretable, and data-driven method for optimizing complex bioprocesses, outperforming conventional ML models in both understanding and enhancing microbial fermentation systems.
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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».