运用人工神经网络预测微生物燃料电池生物膜群落和生物反应器性能

关键词：人工神经网络

在混合菌生物电化学反应器，如微生物燃料电池，发生着复杂的相互作用。这使得在未检测条件下准确预测输出性能变得非常困难。尽管直接关联任一单独的废水流特性或者微生物群落结构和反应器性能还无法直接建立，但是测序数据的增加以及已经有的计算机算力使得开发替代的方法成为可能。在本研究中，33个微生物燃料电池在一系列的条件下进行了评估，包括八种分别的基质和三种不同的废水。人工神经网络被用于建立废水/溶液特性，生物膜群落以及反应器性能之间的数学关系。纳入生物相互作用的人工神经网络模型比没有包含相关生物数据的神经网络模型能更好地预测输出性能。平均的功率密度误差为16.01±4.35%，而库仑效率和COD去除率预测的平均百分比误差分别为1.77±0.57％和4.07±1.06％。通过对科和纲水平的分类数据进行区分，预测功率密度的误差提高到5.76±3.16％的误差范围内。结果表明，利用数据挖掘，机器学习技术可以准确预测生物电化学系统的微生物群落和生物学性能。

论文链接：

Predicting Microbial Fuel Cell Biofilm Communities and Bioreactor Performance using Artificial Neural Networks http://pubs.acs.org/doi/abs/10.1021/acs.est.7b01413