Hybrid machine learning model for scale-up of biomass production with photobioreactors

La coltivazione di microalghe sta ricevendo sempre più attenzione a cause dell’incremento di valore commerciale dei prodotti correlati in vari settori come quello ambientale, farmaceutico e agroalimentare. Per questo i metodi di produzione sono studiati in modo intensivo e tra questi quelli legati ai fotobioreattori in sistemi chiusi per applicazioni industriali. L'ottimizzazione di questi sistemi complessi può essere effettuata attraverso tecniche di modellazione avanzate, con lo scopo di massimizzare la concentrazione di biomassa. I modelli basati su machine learning sono considerati promettenti per l’ottimizzazione dei bioreattori. Tuttavia, spesso richiedono una grande quantità di dati a causa della complessità intrinseca dei bioprocessi. Le procedure onerose e dispendiose in termini di tempo per analizzare e calcolare i dati essenziali degli esperimenti evidenziano l'importanza di modelli in grado di cercare una soluzione, gestire l'incertezza e conoscere le informazioni necessarie per trarre conclusioni con dati limitati. Inoltre, la versatilità di applicazione per diversi volumi, specie, geometria, metabolismo e molti altri vincoli è fondamentale per lo sviluppo di un modello semplice e altamente generalizzabile per lo scale-up di fotobioreattori. Per i motivi sopra menzionati, vari dataset tratti dalla letteratura e associati a diverse condizioni di lavoro sono combinati in modo ibrido con una relazione meccanicistica e tecniche di machine learning, utilizzando ipotesi e formulazioni di Monod. Pertanto, nella definizione dei modelli, le informazioni sulla velocità di reazione vengono prese in considerazione insieme ai dati sperimentali provenienti da diversi scenari. I modelli ibridi ottenuti, pur mostrando un elevato potenziale necessitano di essere ulteriormente validati e implementati, con l'obiettivo di massimizzare la produttività del bioprocesso.