一种结合微藻培养的混合方法,用于模拟二氧化碳生物固定过程中的光生物反应器

《Algal Research》:A hybrid approach for photobioreactor modeling in CO 2 biofixation using microalgae cultivation

【字体: 大 中 小 】 时间:2025年12月30日 来源:Algal Research 4.6

编辑推荐:

  微藻光生物反应器建模框架整合物理、生物与数据驱动模型,涵盖生长动力学、光分布(P1模型)、水力行为及气液相传质,采用XGBoost和决策树优化气固持留量及残差修正,验证显示MAPE低于11%,为反应器放大和高效生物制造提供工具。

  
沙布娜姆·沙赫霍塞尼(Shabnam Shahhoseyni)| 穆罕默德·拉赫马尼(Mohammad Rahmani)| 阿比谢克·西瓦拉姆(Abhishek Sivaram)
伊朗德黑兰阿米尔卡比尔理工大学(Tehran Polytechnic)化学工程系

摘要

碳捕获在减缓气候变化中起着关键作用,微藻为此提供了一种有前景的解决方案。本研究提出了一个用于光生物反应器的建模框架,整合了基于微藻的生物制造过程中涉及的关键现象。具体而言,该框架采用了一种统一的方法来模拟微藻的生长,包括生长动力学、界面质量传递、光照分布和流体动力学行为。该框架结合了物理模型、生物模型和数据驱动模型:气体夹带量通过数据驱动方法进行估算;光照分布由P1辐射模型描述;界面质量传递量化了光照和黑暗阶段下的二氧化碳(CO?)吸收;微藻生长动力学通过一种混合公式来捕捉,并通过校正机制提高预测准确性。使用先前发表的研究实验数据验证了该模型的结构和实现效果,所有实验运行的平均绝对百分比误差(MAPE)均低于11%。这种方法有助于支持规模扩大的努力,并促进更高效和可持续的生物制造过程。

引言

在当代工业生物工艺领域,光生物反应器(PBR)是培养微藻的关键工具,为生物燃料、类胡萝卜素(如虾青素)及其他有价值产品的生产提供了可持续的解决方案[[1], [2], [3], [4], [5]]。它们还有助于二氧化碳捕获和废水处理等环保工作[[6], [7], [8]]。然而,由于微藻生长过程中涉及的流体动力学、质量传递、热传递、光传递和生长动力学的复杂相互作用,PBR的建模和规模扩大面临重大挑战[2,9]。多项研究强调了开发更集成模型的必要性,这些模型能够将PBR中涉及的各种学科结合起来[6,9,10]。 先进机器学习(ML)与丰富数据的结合为PBR建模提供了变革性机遇[[11], [12], [13]]。虽然机理模型计算量较大,且在验证过程中有时会出现差异[8],但将ML与这些模型结合可以提供更快、更可扩展的解决方案,并能揭示原理驱动方法中忽略的隐藏变量[[14], [15], [16], [17]]。这种混合策略增强了过程理解,支持生物制造可行性评估,并有助于构建商业案例。最近在混合建模方面的进展成功地将深度神经网络与原理驱动方法相结合,以捕捉复杂的生物反应器动态[18]。 从早期的基于底物的公式到后来考虑光照限制、光抑制和营养相关效应的扩展,基础建模工作逐步加深了我们对微藻生长的理解[[19], [20], [21], [22], [24]]。1992年,Cornet[25]在PBR建模中首次将光传递和生长动力学结合起来,他们的模型将反应器内的光照分布与生物生长动力学相结合,这是解决PBR设计中物理过程与生物过程相互作用问题的一个重要步骤。后续发展包括Martinez等人[26]在模型中加入营养缺失因素,以及Perner等人在2001年[27]引入的计算流体动力学(CFD)。随着21世纪初计算能力的提升,CFD成为优化反应器设计的强大工具;这项工作标志着一个转折点,使得能够对PBR中的流动动态进行详细模拟。 最终,数据驱动和混合建模方法应运而生,如Zhang等人[28]、Shahhoseyni等人[29]和del Rio-Chanona等人[30]的研究所示。del Rio-Chanona等人(2019)引入了一种结合动力学的替代CFD模型,使用卷积神经网络构建了他们的混合系统。简而言之,他们构建了一个数据驱动的完整机理模型替代品,并将其与优化相结合,以高效识别最优的PBR设计和操作条件。Zhang等人(2020)开发了一种混合模型,结合了机理框架和数据驱动组件,以解决实验数据与模型预测之间的差异。他们的方法使用了一个简单的动力学(机理)模型来描述整体过程动态,一个数据驱动模型来捕捉与动力学模型的偏差,以及一个自动模型结构识别算法来选择最符合物理规律的动力学结构,同时最小化所需的数据驱动参数数量。Shahhoseyni等人(2024)开发了一种利用泰勒级数近似的微藻生长动力学混合模型。图1展示了微藻生长模型复杂性的演变。尽管这些模型代表了显著的进步,但仍存在挑战,包括需要大量的实验数据、高计算资源以及无法涵盖所有相关现象的问题。当前的工作在这些基础上进行了发展,开发了一种混合集成模型,进一步推动了微藻培养领域的发展。具体来说,与上述研究不同,当前框架将质量传递、光吸收、流体动力学行为和生长动力学的不同子模型整合在一个模块化平台上,提供了一个计算效率高的PBR建模工具,同时也便于理解反应器行为和实际应用。
已经开发了多种旨在整合不同类型理论和数据的混合方法[[31], [32], [33]]。这些方法用于增强数据驱动模型的物理知识训练。机器学习和科学原理可以相互补充,以及它们针对混合建模特定方法和目标而定制的子类别。混合建模的类别包括仿真器(Emulator)、同化(Assimilation)、估计(Estimation)、基于物理的ML(Physics-informed ML)、结构化(Structuring)和校准(Calibration)[31],还有另一种分类,即ML补充科学,科学补充ML类别[32]。 许多研究试图将不同的工程学科纳入其建模方法中[[34], [35], [36], [37]]。然而,这些努力往往未能涵盖所有相关学科。通常,各种现象之间的时间尺度差异(从几小时到几秒)对它们的整合构成了挑战[9]。值得注意的是,所有这些研究都没有考虑底物消耗,也没有考虑系统中的氧气和热量传递的界面质量传递。表1展示了一些最近关于整合微藻生长建模各种现象的研究。
本研究的目的是开发一个全面且模块化的混合建模框架,准确预测PBR中小球藻(Chlorella sorokiniana的生长和生物量生产。通过整合质量传递、流体动力学、光吸收和生长动力学的机理模型与数据驱动组件(如气体夹带量等复杂估计),该框架旨在克服孤立处理这些现象的模型的局限性。目标是提供一个可扩展、适应性强的计算高效工具,支持PBR系统的科学理解和实际优化,最终有助于实现更稳健和可持续的生物工艺设计。

部分摘录

系统描述

本研究中的系统是一种用于在受控环境条件下培养微藻的光生物反应器。该反应器在自养条件下运行,结合了光照和二氧化碳作为生长来源。影响系统中微藻生长的关键参数包括光照强度、温度、底物浓度和气体流速。这些因素被监测和控制,以维持最佳生长条件并进行模拟

结果与讨论

图6展示了用于模拟PBR中微藻生长的集成模块化模型。机器学习应用于两个特定的模块:1. 模块A(流体动力学):XGBoost模型预测气体夹带量;2. 模块D(动力学):决策树模型预测机理Monod模型的残差误差。本研究中用于最终混合模型的验证数据来源于Synoxis Algae关于专利PBR和小球藻的先前发表的研究

结论

本研究提出了一个用于预测PBR中小球藻(Chlorella sorokiniana生长和生物量生产的集成混合建模框架。该模型结合了捕捉生长动力学、流体动力学、光传递和质量传递的机理子模型,以及数据驱动组件(如气体夹带量估计)。通过考虑物理现象和生物现象之间的动态相互作用,该模型弥合了纯机理方法和经验方法之间的差距,提供了

术语表

准稳态近似μ
缩写/简称
CO?二氧化碳
CFD计算流体动力学
DD数据驱动模型(组件)
MAE平均绝对误差
MAPE平均绝对百分比误差
ML机器学习
OPR氧气产生率
OUR氧气吸收率
P1P1辐射模型
PBR光生物反应器
QSSA
RMSE均方根误差
RTE辐射传输方程
术语/变量
特定生长率
T温度
C底物浓度(例如,碳、氮或磷)
I光照

CRediT作者贡献声明

沙布娜姆·沙赫霍塞尼(Shabnam Shahhoseyni):撰写——原始草稿、可视化、软件开发、方法论、数据整理、概念构思。穆罕默德·拉赫马尼(Mohammad Rahmani):撰写——审阅与编辑、监督、项目管理、调查、概念构思。阿比谢克·西瓦拉姆(Abhishek Sivaram):撰写——审阅与编辑、验证、资源提供。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号