The yield of a microbial fuel cell

The yield of a microbial fuel cell (MFC) is significantly influenced by the media composition, which mainly consists of carbon, nitrogen sources and aeration rate. This study uses fuzzy modelling and optimization to enhance the performance of MFC. First, a simulation of the microbial fuel cell model using three input parameters—glucose (g/L), yeast extract (g/L), and aeration (ml/min)—was performed using experimental data sets. Three output parameters—power density (W/m2), COD removal (%), and coulombic efficiency (%)—are used to assess the performance. Then, the ideal values for three input controlling parameters are found using the salp swarm optimizer (SSO) for simultaneously increasing power density, COD elimination, and coulombic efficiency. For the fuzzy model of the power density, the RMSE values for the training and testing data sets are 1.35 e−07 and 0.0424, respectively. The R-squared values for training and testing are 1.0 and 0.98, respectively. Low RMSE values and high R-squared proved the accuracy of fuzzy model. Then using, SSA, the coulombic efficiency climbed from 38 % to 40.33 %, and the COD removal went from 80 % to 81.71 %. Under this condition, the performance index increased from 118.525 to 122.532 by around 3.4 %

ผลลัพธ์ (ไทย) 1:

ผลผลิตของเซลล์เชื้อเพลิงจุลินทรีย์ (MFC) ได้รับอิทธิพลอย่างมากจากองค์ประกอบของตัวกลาง ซึ่งส่วนใหญ่ประกอบด้วยคาร์บอน แหล่งไนโตรเจน และอัตราการเติมอากาศ การศึกษานี้ใช้การสร้างแบบจำลองคลุมเครือและการเพิ่มประสิทธิภาพเพื่อเพิ่มประสิทธิภาพการทำงานของ MFC ขั้นแรก การจำลองแบบจำลองเซลล์เชื้อเพลิงจุลินทรีย์โดยใช้พารามิเตอร์อินพุตสามตัว ได้แก่ กลูโคส (กรัม/ลิตร) สารสกัดจากยีสต์ (กรัม/ลิตร) และการเติมอากาศ (มล./นาที) โดยใช้ชุดข้อมูลการทดลอง พารามิเตอร์เอาท์พุตสามตัว ได้แก่ ความหนาแน่นของกำลัง (W/m2), การกำจัด COD (%) และประสิทธิภาพคูลอมบิก (%) ถูกนำมาใช้ในการประเมินประสิทธิภาพ จากนั้น ค่าที่เหมาะสมที่สุดสำหรับพารามิเตอร์ควบคุมอินพุตสามตัวจะพบได้โดยใช้เครื่องมือเพิ่มประสิทธิภาพการจับกลุ่มน้ำ (SSO) เพื่อเพิ่มความหนาแน่นของพลังงาน การกำจัด COD และประสิทธิภาพคูลอมบิกไปพร้อมๆ กัน สำหรับแบบจำลองความหนาแน่นของพลังงานแบบคลุมเครือ ค่า RMSE สำหรับชุดข้อมูลการฝึกอบรมและการทดสอบคือ 1.35 e−07 และ 0.0424 ตามลำดับ ค่า R-squared สำหรับการฝึกและการทดสอบคือ 1.0 และ 0.98 ตามลำดับ ค่า RMSE ต่ำและ R-squared สูงพิสูจน์ความแม่นยำของแบบจำลองคลุมเครือ จากนั้นเมื่อใช้ SSA ประสิทธิภาพคูลอมบิกเพิ่มขึ้นจาก 38 % เป็น 40.33 % และการกำจัด COD เพิ่มขึ้นจาก 80 % เป็น 81.71 % ภายใต้เงื่อนไขนี้ ดัชนีประสิทธิภาพเพิ่มขึ้นจาก 118.525 เป็น 122.532 ประมาณ 3.4 %

ผลลัพธ์ (ไทย) 2:

ผลผลิตของเซลล์เชื้อเพลิงจุลินทรีย์ (MFC) ได้รับผลกระทบอย่างมากจากองค์ประกอบของสื่อซึ่งส่วนใหญ่ประกอบด้วยแหล่งคาร์บอนแหล่งไนโตรเจนและอัตราการระบายอากาศ การศึกษานี้ใช้การสร้างแบบจำลองและการเพิ่มประสิทธิภาพเบลอเพื่อปรับปรุงประสิทธิภาพของ MFC ขั้นแรกแบบจำลองเซลล์เชื้อเพลิงของจุลินทรีย์ถูกจำลองโดยใช้พารามิเตอร์อินพุตสามตัว ได้แก่ กลูโคส (g / L) สารสกัดจากยีสต์ (g / L) และปริมาณการระบายอากาศ (มล. / นาที) โดยใช้ชุดข้อมูลการทดลอง พารามิเตอร์เอาต์พุตสามตัว - ความหนาแน่นของพลังงาน (W / m2), อัตราการกำจัด COD (%) และประสิทธิภาพของคลอมบ์ (%) - เพื่อประเมินประสิทธิภาพ จากนั้นใช้เครื่องมือเพิ่มประสิทธิภาพกลุ่มแซล (SSO) เพื่อค้นหาค่าที่เหมาะสำหรับพารามิเตอร์ควบคุมอินพุตสามตัวเพื่อเพิ่มความหนาแน่นของพลังงานการกำจัด COD และประสิทธิภาพของคลอมบ์ในเวลาเดียวกัน สำหรับรุ่นที่คลุมเครือของความหนาแน่นของพลังงานค่า RMSE สำหรับชุดข้อมูลการฝึกอบรมและการทดสอบคือ 1.35 e-07 และ 0.0424 ตามลำดับ ค่า R กำลังสองสำหรับการฝึกอบรมและการทดสอบคือ 1.0 และ 0.98 ตามลำดับ ค่า RMSE ต่ำและ Rs สูง

ผลลัพธ์ (ไทย) 3:

ผลผลิตของเซลล์เชื้อเพลิงจุลินทรีย์( MFC )ได้รับผลกระทบอย่างมีนัยสําคัญจากองค์ประกอบของสื่อซึ่งส่วนใหญ่ประกอบด้วยแหล่งคาร์บอนไนโตรเจนและอัตราการระบายอากาศ การศึกษานี้ใช้การสร้างแบบจําลองและการเพิ่มประสิทธิภาพแบบฟัซซี่เพื่อปรับปรุงประสิทธิภาพของMFC ขั้นแรกแบบจําลองเซลล์เชื้อเพลิงจุลินทรีย์ถูกจําลองโดยใช้พารามิเตอร์การป้อนข้อมูลสามแบบ(กลูโคส( g/l )สารสกัดจากยีสต์( g/l )และการระบายอากาศ( ml/min )โดยใช้ชุดข้อมูลการทดลอง พารามิเตอร์เอาท์พุทสามตัวคือความหนาแน่นของพลังงาน( w/m2),อัตราการกําจัดCOD ( % )และประสิทธิภาพของcoulomb ( % ) -ใช้เพื่อประเมินประสิทธิภาพ จากนั้นใช้ตัวเพิ่มประสิทธิภาพกลุ่มsalp ( SSO )เพื่อหาค่าที่เหมาะสําหรับพารามิเตอร์การควบคุมการป้อนข้อมูลทั้งสามแบบเพื่อเพิ่มความหนาแน่นของพลังงานการกําจัดCODและประสิทธิภาพของcoulombในเวลาเดียวกัน สําหรับรูปแบบฟัซซี่ที่มีความหนาแน่นของพลังงานค่าRMSEสําหรับชุดข้อมูลการฝึกอบรมและทดสอบคือ1.35 e07และ0.0424ตามลําดับ การฝึกอบรมและการทดสอบค่าr 2คือ1.0และ0.98ตามลําดับ ค่าRMSEต่ําและrสแควร์สูงพิสูจน์ความถูกต้องของแบบจําลองเลือน จากนั้นใช้SSAประสิทธิภาพของcoulombเพิ่มขึ้นจาก38 %เป็น40.33 %และอัตราการกําจัดCODเพิ่มขึ้นจาก80 %เป็น81.71 % ภายใต้เงื่อนไขนี้ดัชนีประสิทธิภาพเพิ่มขึ้นจาก118.525เป็น122.532เพิ่มขึ้นประมาณ3.4 %