Benchmarking Machine Learning Algorithms for Microbial Electromethanogenesis: A Comprehensive Assessment with SHapley Additive exPlanation-Based Insights
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Microbial electromethanogenesis (EM) presents a promising pathway for sustainable biogas upgrading, but accurately predicting its performance is challenging due to complex, nonlinear process dynamics. Here, we systematically compared seven supervised machine learning (ML) algorithms, including one-dimensional convolutional neural network (1D-CNN), multilayer perceptron (MLP), gradient boosting regressor (GBR), adaptive boosting regressor (AdaBoost), stacking regressors, and K-nearest neighbors (kNN), for their predictive biomethane production capabilities using experimental data from EM bioelectrochemical systems (EM-BESs). The data set encompassed operational parameters such as optical density (OD 600 ), pH, electrical conductivity (EC, mS/cm), average applied current (A m –2 ), and CO 2 availability (mol). After hyperparameter optimization, the 1D-CNN model exhibited superior predictive performance ( R 2 = 0.934), significantly outperforming traditional ML methods. To move beyond prediction and uncover mechanistic insights, a feature importance analysis was conducted on the CNN model using SHapley Additive exPlanations (SHAP). The analysis revealed that average current, OD 600, and pH were the most influential features in biomethane production, confirming that the model learned relationships grounded in fundamental bioelectrochemical principles. The SHAP analysis also identified complex, nonmonotonic effects of other variables, providing deeper process understanding. This study not only demonstrates the promising ability of ML, especially deep learning architectures, to advance EM optimization but also provides mechanistic insights into the factors governing bioelectrochemical methanogenesis. These findings are broadly applicable to analogous BESs, particularly microbial electrosynthesis (i.e., commodity chemical) and microbial electrolysis cells (i.e., biohydrogen), offering potential for enhancing system performance through data-driven operational control across sustainable biotechnology applications.
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 | 0,000 |
| 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 | 0,000 |
| 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 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 ».