Hybride Modellierung für die Vorhersage und Überwachung des Wachstums von Mikroalgen

Tehreem Syed

doi:10.51202/9783186482204

Zusammenfassung

Microalgae hold significant potential for biofuel, biomaterial, and bio-based chemical production, necessitating advanced modeling approaches for optimizing cultivation. This dissertation evaluates machine learning (ML) models, specifically Long Short-Term Memory (LSTM) and Support Vector Regression (SVR), against traditional Monod and Haldane models for predicting microalgae growth under varying light conditions in outdoor flat-panel airlift photobioreactors. Contents Abbreviations IX 1. Introduction 1 1.1. Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2. Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3. Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4. Overview of the dissertation . . . . . . . . . . . . . . . . . . . . 6 2. Literature Review 9 2.1. Factor affecting the microalgae growth . . . . . . . . . . . . . . 9 2.1.1. Light . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.1.2. Nutrients . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.1.3. Temperature . . . . . . . . . . . . . . . . . . . . . . . . 11 2.1.4. pH . . . . . . . . . . . . . . . . . . . . . . . ...

Schlagworte

Publikation durchsuchen

Bibliographische Angaben

Erscheinungsjahr: 2025
Erscheinungsdatum: 28.05.2025
ISBN-Print: 978-3-18-348220-7
ISBN-Online: 978-3-18-648220-4
Verlag: VDI Verlag, Düsseldorf
Reihe: Rechnerunterstützte Verfahren
Band: 482
Sprache: Deutsch
Seiten: 136
Produkttyp: Monographie

Inhaltsverzeichnis

KapitelSeiten

Titelei/Inhaltsverzeichnis Kein Zugriff Seiten I - XVIII
1. Motivation Kein Zugriff
2. Objectives Kein Zugriff
3. Contributions Kein Zugriff
4. Overview of the dissertation Kein Zugriff
1. 1. Light Kein Zugriff
  2. Nutrients Kein Zugriff
  3. Temperature Kein Zugriff
  4. pH Kein Zugriff
  5. Salinity Kein Zugriff
2. Types of microalgae cultivation system Kein Zugriff
3. 1. Types of Open Systems Kein Zugriff
  2. Racewayponds Kein Zugriff
  3. Circular ponds Kein Zugriff
4. 1. Types of Closed Systems Kein Zugriff
  2. FlatpanelPBRs Kein Zugriff
  3. Tubular PBRs Kein Zugriff
  4. Verticle column PBRs Kein Zugriff
5. 1. Models accounting for light intensity effect Kein Zugriff
  2. Models accounting for light intensity and temperature effect Kein Zugriff
  3. Models accounting for light intensity and substrate effect Kein Zugriff
6. 1. Prediction of microalgae growth or productivity using neural- network-based and non-neural-network-based approaches . Kein Zugriff
7. 1. Hybrid modeling application in biotechnological processes Kein Zugriff
  2. Hybrid modeling application in chemical engineering . . . Kein Zugriff
1. 1. Challenges in Data for Microalgae Cultivation Kein Zugriff
  2. Challenges for modeling of microalgae cultivation Kein Zugriff
2. 1. Potential solution for the dataset enhancement Kein Zugriff
  2. Potential solutions for modeling rigorousness enhancement Kein Zugriff
3. Research Questions, Hypothesis and Methodology Kein Zugriff
1. 1. Description of cultivation Kein Zugriff
  2. Datapreprcoessing Kein Zugriff
  3. Training and Test Dataset Kein Zugriff
2. 1. Average light intensity Kein Zugriff
  2. Monod and Haldane model Kein Zugriff
3. 1. Support vector regression Kein Zugriff
  2. LSTM Kein Zugriff
  3. Analysis of the trained machine learning models Kein Zugriff
4. 1. Biomasssoftsensor Kein Zugriff
  2. Harvest strategy Kein Zugriff
1. 1. Description of Dataset Kein Zugriff
  2. Data Preprocessing Kein Zugriff
  3. Training and Test Dataset Kein Zugriff
2. 1. Monod Model Kein Zugriff
  2. LSTMModel Kein Zugriff
  3. Biomass prediction using Runge-Kutta Kein Zugriff
3. 1. Hybrid Model Approach 1 Kein Zugriff
  2. Theintegratorcell Kein Zugriff
  3. Hybrid Model Approach 2 Kein Zugriff
1. 1. Comparison of machine learning models Kein Zugriff
  2. Light acclimation impact on specific growth rate Kein Zugriff
  3. Applications of the models Kein Zugriff
2. 1. Evaluation of Sequence Lengths in LSTM Kein Zugriff
  2. LSTM varying light sequence length and train-test batch ratios Kein Zugriff
  3. LSTM-based softsensor for the prediction of microalgal biomass Kein Zugriff
3. 1. Performance evaluation of LSTM as a residual predictor of specificgrowth Kein Zugriff
  2. Evaluation of Hybrid model performance across varying training and test batches for LSTM residual predictor and biomassprediction Kein Zugriff
  3. Hyperparameter optimization Kein Zugriff
1. 1. Comparison between machine learning and traditional models Kein Zugriff
  2. Interpretation of Machine Learning Models’ Performance . Kein Zugriff
  3. Interpretation of Light Acclimation and Respiration in Mi¬croalgae Growth Kein Zugriff
  4. Implications of Model Applications Kein Zugriff
  5. Interpretation of Sequence Lengths in LSTM Kein Zugriff
  6. Interpretation of LSTM Model Performance with Varying Light Sequence Lengths and Train-Test Batch Ratios . . . Kein Zugriff
2. Hybrid Model Sensitivity to Training and Testing Data Variability Kein Zugriff
3. 1. Integration with ML models Kein Zugriff
  2. Vulnerability of Hybrid Models and LSTM Models to Data, Normalization, and Scaling Kein Zugriff
4. Comparative analysis of LSTM and Hybrid model Kein Zugriff
1. Summary Kein Zugriff
2. 1. 1. LightAttenuationModel Kein Zugriff
    2. Evaluation of Hybrid model performance across varying training and test batches for LSTM residual predictor Kein Zugriff
Bibliography Kein Zugriff Seiten 109 - 130
Declaration Kein Zugriff Seiten 131 - 136