A nonlinear model describing the re

A nonlinear model describing the relationship between the biosurfactant concentration as a process output and the critical medium components as the independent variables was developed by artificial neural network modeling. The model was optimized for the maximum biosurfactant production by using genetic algorithm. Based on a single-factor-at-a-time optimization strategy, the critical medium components were found to be glucose, urea, SrCl2 and MgSO4. The experimental results obtained from a statistical experimental design were used for the modeling and optimization by linking an artificial neural network (ANN) model with genetic algorithm (GA) in MATLAB. Using the optimized concentration of critical elements, the biosurfactant yield showed close agreement with the model prediction. An enhancement in biosurfactant production by approximately 70% was achieved by this optimization procedure.

ผลลัพธ์ (ไทย) 1:

แบบจำลองไม่เชิงเส้นที่อธิบายความสัมพันธ์ระหว่างความเข้มข้น biosurfactant เป็นผลลัพธ์กระบวนการและส่วนประกอบสำคัญปานกลางเป็นตัวแปรอิสระได้รับการพัฒนา โดยการสร้างแบบจำลองโครงข่ายประสาทเทียม แบบถูกทำให้เหมาะสำหรับการผลิต biosurfactant สูงสุด โดยใช้อัลกอริทึมทางพันธุกรรม ตามกลยุทธ์การเพิ่มประสิทธิภาพเดียวปัจจัยที่ที่เวลา ส่วนประกอบสำคัญปานกลางพบให้ กลูโคส ยูเรีย SrCl2 และ MgSO4 ผลการทดลองที่ได้รับจากการออกแบบการทดลองทางสถิติที่ใช้สำหรับสร้างโมเดลและการเพิ่มประสิทธิภาพ โดยการเชื่อมโยงแบบจำลองโครงข่ายประสาทเทียม (แอน) ด้วยอัลกอริธึมพันธุกรรม (GA) ใน MATLAB ใช้ความเข้มข้นเพิ่มประสิทธิภาพขององค์ประกอบที่สำคัญ ผลผลิต biosurfactant พบข้อตกลงใกล้กับทำนายแบบจำลอง การเพิ่มประสิทธิภาพในการผลิต biosurfactant โดยประมาณ 70% สำเร็จขั้นตอนนี้ปรับให้เหมาะสม

ผลลัพธ์ (ไทย) 2:

รูปแบบไม่เชิงเส้นที่อธิบายความสัมพันธ์ระหว่างความเข้มข้นของแหล่งคาร์บอนเป็นผลผลิตกระบวนการและชิ้นส่วนขนาดกลางที่สำคัญเป็นตัวแปรอิสระที่ได้รับการพัฒนาโดยการสร้างแบบจำลองเครือข่ายประสาทเทียม รูปแบบที่ได้รับการปรับให้เหมาะสมกับการผลิตสูงสุดแหล่งคาร์บอนโดยใช้ขั้นตอนวิธีพันธุกรรม ขึ้นอยู่กับปัจจัยเดียวที่-a-เวลายุทธศาสตร์การเพิ่มประสิทธิภาพส่วนประกอบกลางที่สำคัญพบว่ามีน้ำตาลกลูโคสยูเรียและ SrCl2 MgSO4 ผลการทดลองที่ได้รับจากการออกแบบการทดลองทางสถิติที่ใช้สำหรับการสร้างแบบจำลองและการเพิ่มประสิทธิภาพโดยการเชื่อมโยงเครือข่ายประสาทเทียม (ANN) รุ่นที่มีขั้นตอนวิธีพันธุกรรม (GA) ใน MATLAB การใช้ความเข้มข้นขององค์ประกอบที่สำคัญเพิ่มประสิทธิภาพผลผลิตแหล่งคาร์บอนแสดงให้เห็นว่าข้อตกลงที่ใกล้ชิดกับการทำนายรูปแบบ การเพิ่มประสิทธิภาพในการทำการเพาะเลี้ยงเชื้อประมาณ 70% ถูกทำได้โดยขั้นตอนการเพิ่มประสิทธิภาพนี้

ผลลัพธ์ (ไทย) 3:

ไม่เชิงเส้นแบบที่อธิบายถึงความสัมพันธ์ระหว่างความเข้มข้นของสารลดแรงตึงผิว เช่น กระบวนการ ผลผลิตและองค์ประกอบ กลางวิกฤตเป็น ตัวแปรอิสระที่ถูกพัฒนาขึ้นโดยการใช้โครงข่ายประสาทเทียมแบบ แบบจำลองที่เหมาะสมสำหรับการผลิตสูงสุด ( โดยใช้เจเนติกอัลกอริทึม ตาม single-factor-at-a-time เพิ่มประสิทธิภาพกลยุทธ์ส่วนประกอบสำคัญปานกลาง พบว่ามีกลูโคสยูเรีย และ srcl2 MgSO4 ใ . ผลการทดลองที่ได้จากการทดลองครั้งนี้ใช้สถิติแบบจำลองและการเพิ่มประสิทธิภาพการเชื่อมโยงโครงข่ายประสาทเทียม ( ANN ) แบบจำลอง Genetic Algorithm ( GA ) ใน Matlab . การเพิ่มความเข้มข้นขององค์ประกอบสําคัญผลผลิต ) แสดงปิดข้อตกลงกับแบบจำลองพยากรณ์ การเพิ่มประสิทธิภาพในการผลิต ( ประมาณ 70% คือบรรลุประสิทธิภาพกระบวนการ