Modeling of bioprocesses using dynamic neural networks - case: filamentous fungus fermentations

Työn tarkoituksena on mallien, ja erityisesti Wiener-MLP mallin, identifiointi teollisille bioprosesseille. Datapohjaisten mallien joustavuus tekee niistä sopivia mallirakenteita monimutkaisten ja huonosti tunnettujen prosessien, kuten bioprosessien, mallinnukseen. On kuitenkin huomattava, että ylisovituksen välttämiseksi tarvitaan hyvinkin suuria määriä opetusdataa. Tässä työssä tutkittiin useita keinoja tarvittavan opetusdatan määrän rajoittamiseen, kuten keinoja prosessitiedon lisäämiseksi malleihin ja malliulostulojen keskiarvoistamista. Mallinnettavat prosessit ovat teollisia eräfermentaatioita lisäravinnesyötöllä, joissa tuotetaan entsyymejä. Prosesseissa käytetyt mikrobit ovat Trichoderma ja Aspergillus sieniä. Mallien tarkoituksena tuottaa online-estimaatteja tärkeistä prosessimuuttujista ja ennustaa niiden tulevia arvoja. Työn teon hetkellä näille muuttujille saatiin arvoja vain laboratorioanalyysien kautta. Estimaatteja on tarkoitus käyttää prosessin monitoroinnin ja vikadiagnoosin tukena. Mallia voitaisiin käyttää myös ravinnesyöttöprofiilin suunnittelun apuna ja optimaalisen eränlopetusajan määrittämiseen. Tässä työssä Wiener-MLP mallin kehittelyä on jatkettu. Nyt sillä on aito tilaesitys, joka antaa mallin opetusalgoritmeille enemmän vapautta sopivan tilaesityksen löytämiseen. Mallille kehiteltiin myös uusia opetusalgoritmeja. Wiener-MLP mallia vertailtiin mallinnustehtävässä useisiin muihin mallirakenteisiin. Wiener-MLP mallin yleistyskyky vaikutti paremmalta muihin malleihin verrattuna tässä tapauksessa. Mallille kehitettiin prototyyppi ohjelmisto bioprosessien monitorointiin