Einsatz des machinellen Lernens für die Algenkultivierung im Freiland
Die Erfordernisse des Klima- und Umweltschutzes sowie die weiter wachsende Weltbevölkerung tragen dazu bei, dass die vornehmlich auf fossilen Ressourcen basierte Wirtschaftsweise an ihre natürlichen Grenzen stößt. Vor allem nach der Pariser Vereinbarung in 2015 hat die Welt den Konsens getroffen, die Treibhausgase und die Umweltzerstörung zu reduzieren. Eine Möglichkeit diesen Problemen zu begegnen, stellt, wegen der Verwendung von Kohlenstoffdioxid als Rohstoff und der Möglichkeit Agrarflächen einzusparen, die Nutzung von Algen dar.
Mikroalgen eignen sich als Rohstoff zur Herstellung von Lebensmitteln, Kosmetikprodukten, Chemikalien, Pharmazeutika und Biokraftstoffen. Aus ökonomischen und ökologischen Aspekten sollten Mikroalgen unter Verwendung des natürlichen Tageslichts als Energiequelle im Freiland und im großen Maßstab kultiviert werden. Allerdings besteht die große Herausforderung darin, dass bis heute ein robustes und bewährtes vollautomatisiertes Kontrollsystem der Algenkultur noch nicht etabliert ist. Dies liegt vorrangig an fehlenden Modellen, mit denen das Algenwachstum und die Produktbildung in den Algen gesteuert werden können.
In anderen Bereichen werden dasmaschinelle Lernen häufig für die Vorhersage und Optimierung eingesetzt. Daher gehen wir davonaus, dass maschinelles Lernen auch das Wachstumsverhalten der Mikroalgen in derFreilandkultivierung vorhersagen kann. Um unsere Hypothese zu testen, haben wir einen derAlgorithmen des Machine Learning, Supportvektor-Maschine (SVM), verwendet, um das Wachstumvon Phaeodactylum tricornutum im Pilotmaßstab im Freiland vorherzusagen. Unsere Ergebnissezeigen, dass das SVM-basierte Modell die Wachstumsrate von Phaeodactylum tricornutum mit einemKorrelationskoeffizienten von 88% vorhersagen kann. Gleichzeitig ergibt ein Modell mit Monod-Kinetik einen Korrelationskoeffizienten von 82%. Diese beide Modelle werden sowohl im Labor- alsauch im Pilotmaßstab weiter validiert.
Das Endziel der Doktorarbeit ist die Einführung von datenbasierten Algorithmen basierend auf dem maschinellen Lernen zur Steuerung der Algenkultivierung, um einen ökonomischen, ökologischen und robusten Algenproduktionsprozess im industriellen Maßstab zu entwickeln. Im Rahmen der Promotion wird die Kultivierung von Mikroalgen im Flatpanel-Airlift (FPA) Bioreaktor durchgeführt, um datengetriebene Modelle zum einen für die effiziente Herstellung von Algenbiomasse und zum anderen für die Anreicherung eines intrazelluläres Produkts, was am Beispiel Laminarin gezeigt werden soll.