Вестник Военного инновационного технополиса «ЭРА», 2023, T. 4, № 1, стр. 20-26

ВВЕДЕНИЕ

Фототрофные миркоорганизмы являются перспективным и активно развивающимся направлением в биоэнергетике, пищевой и фармацевтической промышленностях, космической отрасли. Они могут использоваться в системах очистки воды, переработки отходов [1, 2], производства биотоплив, кормовой и пищевой биомассы и биологически активных веществ [3, 4], а также встраиваться в системы жизнеобеспечения космических аппаратов для обеспечения экипажа кислородом и пищевыми добавками, переработки отходов [5–7]. Темпы роста и параметры жизнедеятельности микроводорослей зависят от множества параметров среды и режима культивирования, таких как температура, интенсивность и спектр освещения, содержание различных питательных веществ в среде и т.д. Общий анализ различных проблем на пути промышленного культивирования микроводорослей проведен в [8]. Таблица 1

Ввиду сложного метаболизма микроорганизмов создание классической модели, позволяющей предсказывать рост в различных условиях, сильно затруднено. В качестве более подходящего метода предлагается использование методов машинного обучения, одним из которых являются искусственные нейронные сети (ИНС) [9]. Предсказание роста на основе ИНС позволит получить представление о поведении культуры без проведения длительных экспериментов.Таблица 2

ИНС – метод машинного обучения, использующий набор экспериментальных, полученных при наблюдении, или гипотетических данных, сопоставляющий входные параметры с известными корректными результатами. Обученная на этих данных система затем экстраполирует связи между ними на все пространство возможных входных параметров [10].Таблица 3

Примерами применения ИНС для решения предсказания и оптимизации культивации микроводорослей являются работы [9, 11–14] и работы, касающиеся производства различных веществ с их помощью [15–18]. Наиболее распространенным типом ИНС для решения таких задач являются ИНС с прямым распространением сигнала и обратным распространением ошибки. В качестве примеров применения ИНС в работе с цианобактериями Arthrospira (Spirulin) platensis можно привести [19], где описана разработка системы на основе ИНС для наблюдения за ростом аквакультуры цианобактерии в открытых прудах для предотвращения возможной смерти культуры при резких изменениях погоды, где классические системы автоматического контроля показали себя недостаточно эффективными. Система принимала кислотность, температуру, электропроводимость среды и плотность культуры в качестве входных параметров, предсказывая эволюцию тех же параметров состояния среды и культуры с течением времени. Используемая ИНС включала в себя четыре физических процессора для эмуляции 20 слоев ИНС с 80 нейронами в сумме и требовала для обучения данные, полученные не менее чем за шесть недель наблюдения за ростом аквакультуры в различных условиях. В [20] проанализировано влияние использования различных систем аэрации и частоты сбора на продуктивность биомассы A. platensis в замкнутых фотобиореакторах. В дополнение к описанным выше параметрам в качестве входных параметров для ИНС изначально были использованы температура, кислотность среды, интенсивность освещения, содержание растворенного кислорода, выход кислорода, содержание бикарбонатов, фосфатов и нитратов в среде, однако тестирование показало, что в данном случае исключение интенсивности освещения, содержания бикарбонатов и фосфатов оказало положительное влияние на точность предсказания. Также можно упомянуть [21, 17], в которых внимание заострено на сложности эффективного обучения ИНС в условиях малого количества экспериментальных данных и применении ИНС для исследования роста микроводорослей в условиях открытого пруда, более сложных по сравнению с лабораторными условиями, соответственно.Таблица 4

Отметим, что цианобактерия A. platensis широко используется для получения съедобной биомассы и биологически активных веществ, находящих применение в медицине и пищевой промышленности [22, 23].Таблица 5

В данной работе исследованы возможности применения алгоритма на основе ИНС для предсказания концентрации растворенного кислорода и диоксида углерода в выходящем газе из фотобиореактора при культивировании цианобактерии A. platensis.Таблица 6

МАТЕРИАЛЫ И МЕТОДЫ

Для обучения и тестирования программы предсказания на основе ИНС использовали набор данных, полученный при культивировании цианобактерии A. platensis В-12619 из коллекции ВКПМ. Цианобактерии культивировали в фотобиореакторе INFORS HT Labfors 5 в среде объемом 1.8 л, в условиях постоянного освещения светодиодами 1500 Лк, перемешивания борботированием и при поддержании температуры среды на постоянном уровне 30°C. Анализ выходящего газа на содержание кислорода и диоксида углерода проводили при помощи газоанализатора BlueSens BlueInOne Cell. Цианобактерии выращивали на среде Заррук в модификации Корнета [24]. Отдельно готовили на дистиллированной воде компоненты среды S1 и S2 (табл. 1, 2) и смешивали в соотношении 1 : 1.Таблица 7

Среду использовали с вариациями различных параметров условий культивирования. Питательные вещества добавляли в среду при засеве культуры и их содержание не поддерживалось на постоянном уровне в течение роста. Интенсивность освещения и температура поддерживались на постоянном уровне в течение культивирования и не менялись между экспериментами.Таблица 8

В качестве инструмента обработки данных и моделирования была выбрана ИНС с прямым распространением данных и обратным распространением ошибки – методом машинного обучения, хорошо работающим со сложными нелинейными системами без необходимости создания аналитической модели. Для оптимизации архитектуры ИНС использовали модифицированный метод оптимизации гиперпараметров поиском по сетке, а также метод случайного поиска для получения начальных значений для дальнейшей работы и ручную подстройку в отдельных случаях и для набора сравнительной статистики.Таблица 9

ИНС с прямым распространением данных и обратным распространением ошибки, использованием дополнительного алгоритма предобработки обучающих данных и различными возможностями для оптимизации гиперпараметров разработана на языке программирования Python 3.9 с использованием программного пакета TensorFlow 2.80. ИНС была затем обучена с использованием метода обучения с учителем и оптимизацией при помощи улучшенного метода градиентного спуска Adam на имеющемся наборе данных при помощи инструментария, предоставляемого пакетом TensorFlow. Выбор данной архитектуры обусловлен тем, что она менее требовательна к количеству обучающих данных, а также обучается быстрее, чем методы глубинного обучения [25]. Архитектуры типов PNN (probabilistic neural network – вероятностные нейронные сети) и CNN (convolutional neural network – сверточные нейронные сети) не подходят для решения задач этого класса [26, 27].Таблица 10

Используемая ИНС состоит из входного слоя, включающего в себя четыре нейрона по числу входных параметров, трех скрытых слоев и выходного слоя, включающего для нейрона по числу выходных параметров. Выбор трех скрытых слоев обусловлен общими соображениями о сложности обрабатываемых данных и подтвержден сравнением с другими конфигурациями на ранних этапах разработки. Количество нейронов на скрытых слоях, типы передаточных функций и параметры скорости обучения задаются при оптимизации гиперпараметров.Таблица 11

В качестве входных параметров в фотобиореакторе выступают концентрация растворенного кислорода, значение pH, длительность культивирования и мутность культурной среды.

Используемый набор обучающих данных содержал 11 970 точек данных, полученных в ходе пяти экспериментов культивирования.

РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ

Гиперпараметры системы предсказания на основе ИНС были оптимизированы путем поиска по сетке для получения наилучшей конфигурации сети, отвечающей наилучшей точности предсказания в данных условиях. Для каждой конфигурации проводили десятикратную кросс-валидацию – имеющиеся данные разбивали на обучающий и валидационный набор в различных комбинациях, затем проводили обучение ИНС на обучающем наборе и проверку эффективности работы ИНС на валидационном наборе для различных комбинаций разбиения данных, покрывающих исключение всех точек данных из обучающего набора для проверки способности ИНС к генерализации. На иллюстрации процесса оптимизации (рис. 1, 2) показаны результаты тестирования различных конфигураций гиперпараметров ИНС. Можно заметить, что № 60 показывает аномально плохой результат, в то время как большинство других исследуемых конфигураций показывают сравнительно высокие значения. Наилучшие результаты были получены при значениях гиперпараметров, представленных в табл. 7.

Рис. 1.

Значения среднеквадратичной ошибки, полученные в процессе оптимизации гиперпараметров по сетке.

Рис. 2.

Значения коэффициента детерминации, полученные в процессе оптимизации гиперпараметров по сетке.

Тестирование обученной системы предсказания позволило достичь результатов для наилучшей конфигурации, показанных в табл. 8.

Алгоритм оптимизации гиперпараметров при помощи случайного поиска также показал способность к работе по данной задаче (табл. 9), но эффективность этого метода недостаточна из-за большого числа гиперпараметров, ввиду чего для конечной реализации выбор был сделан в пользу метода поиска по сетке (рис. 1, 2).

Проверку работоспособности разработанной ИНС проводили путем сравнения полученных экспериментальных значений с максимальным количеством выходящего кислорода и минимальным количеством диоксида углерода в выходящей газовоздушной смеси при культивировании в фотобиореакторе и предсказаний ИНС для экспериментальных точек, исключенных из обучающего набора. Полученные значения коэффициента детерминации R² составляли 0.9755 и 0.97 897 для содержания кислорода и диоксида углерода соответственно (табл. 10, 11).

ЗАКЛЮЧЕНИЕ

Обучение искусственной нейронной сети на экспериментальных данных культивирования цианобактерий Arthrospira platensis позволило достичь высокой точности предсказания содержания кислорода и диоксида углерода для выходящей из фотобиореактора газовоздушной смеси. Система показала высокую работоспособность на имеющемся наборе данных, достигая значений коэффициента детерминации R², равных 0.9755 и 0.97897 для содержания кислорода и диоксида углерода соответственно, что свидетельствует о применимости разработанной ИНС для решения данной задачи.

Работа выполнена в рамках тематического плана НИЦ “Курчатовский институт” “Разработка платформенных технологий на основе фототрофных микроорганизмов для интенсивной утилизации СО₂ и производства биотоплив и других полезных продуктов”.