【技术实现步骤摘要】
本专利技术涉及基于混合建模的地衣芽孢杆菌培养工艺优化方法，属于发酵工程领域。
技术介绍
1、地衣芽孢在医药和环境修复等领域具有极大的应用市场，地衣芽孢杆菌发酵过程中，控制工艺优化条件使其高产芽孢非常重要。然而，要获得一个工业上可行的大规模生产地衣芽孢的方案，需要大量的时间和努力，发酵过程的设计开发受到了过程理解方面的制约。
2、尽管动力学模型通常能够捕捉到过程中的基本动力学，但由于发酵过程的非线性动力学特性以及微生物所遵循的复杂反应机制，耗费大量时间和资源所构建的动力学模型往往不够完善。近些年，随着深度学习以及大数据储存的不断发展，研究者开始关注并研究如何通过数据驱动的方法进行建模；虽然数据驱动模型易于构建且有一定精度，但也具有明显的缺点：(1)模型参数不具有实际意义，无法解释相关过程的机理机制；(2)建模过程对数据的数量和质量具有较高的要求。对于微生物培养过程而言，其模型参数的物理、化学或生物学意义能够为工艺优化提供重要的信息，而这些信息无法从上述数据驱动模型中获取。同时，微生物培养周期较长，数据采集密度偏低，且波动性较大，数量和质量均难以保证。因此，单独使用深度学习技术构建微生物培养过程的数据驱动模型，具有一定的局限性。
技术实现思路
1、为了解决目前存在的地衣芽孢发酵动力学模型精度不足，数据驱动模型参数不具有实际意义无法解释相关过程的机理机制，且建模效果受数据质量和数量影响的问题，本专利技术提供了一种地衣芽孢杆菌培养工艺优化方法，包括：
2、步骤一：构
3、步骤二：采用de算法对所述补料分批动力学模型中的参数进行拟合；
4、步骤三：利用神经网络对所述补料分批动力学模型中的部分参数进行预测，并随着培养过程的进行，实时更新所述分批动力学模型，形成地衣芽孢杆菌培养过程的混合模型；
5、步骤四：利用遗传算法对所述混合模型进行多目标优化，得到发酵工艺参数优化曲线。
6、可选的，所述补料分批动力学模型为：
7、
8、其中，nsp表示芽孢数，nvia表示营养体细胞数，μsp为芽孢的比转化速率，μg和μd分别表示营养体细胞的比生长速率和比死亡速率，fcarbon、fnitrogen分别为碳源和氮源流加速率，sf,carbon和sf,nitrogen分别为流加培养基的碳源和氮源浓度，bm为产芽孢阈值，scarbon和snitrogen分别为发酵罐内的碳源浓度和氮源浓度，v表示发酵液的体积，mcarbon和mnitrogen分别表示碳源和氮源的维持系数，yx/carbon为细胞对碳源的得率系数，yx/nitrogen为细胞对氮源的得率系数。
9、可选的，所述步骤二中拟合的参数包括：芽孢的比转化速率μsp、细胞的比生长速率μg，细胞的比死亡速率μd，细胞对碳源的得率系数yx/carbon，细胞对氮源的得率系数yx/nitrogen，碳源的维持系数mcarbon，氮源的维持系数mnitrogen。
10、可选的，所述步骤三中将温度t、ph、搅拌转速rpm、所述发酵罐内的碳源浓度scarbon和氮源浓度snitrogen作为神经网络的输入变量，将所述细胞的比生长速率μg、比死亡速率μd和芽孢的比转化速率μsp作为神经网络的输出变量。
11、可选的，所述步骤四的多目标优化公式为：
12、nf,sp＝p(t、ph、rpm、fcarbon、fnitrogen)
13、
14、求解最优的自变量t、ph、rpm、fcarbon以及fnitrogen的操作曲线，令目标函数nf,sp最大化。
15、可选的，所述步骤三采用的神经网络为lstm模型。
16、可选的，所述补料分批动力学模型基于细胞生长阶段和产芽孢阶段的动力学模型构建。
17、可选的，所述细胞生长阶段的动力学模型为：
18、
19、可选的，所述产芽孢阶段的动力学模型为：
20、
21、本专利技术有益效果是：
22、本专利技术将动力学模型和数据驱动模型相结合对地衣芽孢杆菌发酵过程进行混合建模，并对其模型进行多目标优化，该模型即可以解释地衣芽孢发酵过程相关的机理机制，又提高了发酵模型的精度使其具有更强的拟合能力，从而解决由于缺乏能够准确描述地衣芽孢杆菌bf-002菌株培养过程动力学特性的数学模型，导致工艺开发的效率偏低，工艺参数控制性能尚有不足的问题，进一步提高培养液中的芽孢数量，为生产高质量的地衣芽孢杆菌菌剂提供技术支持。
本文档来自技高网...【技术保护点】
1.一种地衣芽孢杆菌培养工艺优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的地衣芽孢杆菌培养工艺优化方法，其特征在于，所述补料分批动力学模型为：
3.根据权利要求2所述的地衣芽孢杆菌培养工艺优化方法，其特征在于，所述步骤二中拟合的参数包括：芽孢的比转化速率μsp、细胞的比生长速率μg，细胞的比死亡速率μd，细胞对碳源的得率系数YX/carbon，细胞对氮源的得率系数YX/nitrogen，碳源的维持系数mcarbon，氮源的维持系数mnitrogen。
4.根据权利要求2所述的地衣芽孢杆菌培养工艺优化方法，其特征在于，所述步骤三中将温度T、pH、搅拌转速RPM、所述发酵罐内的碳源浓度Scarbon和氮源浓度Snitrogen作为神经网络的输入变量，将所述细胞的比生长速率μg、比死亡速率μd和芽孢的比转化速率μsp作为神经网络的输出变量。
5.根据权利要求2所述的地衣芽孢杆菌培养工艺优化方法，其特征在于，所述步骤四的多目标优化公式为：
6.根据权利要求1所述的地衣芽孢杆菌培养工艺优化方法，其特征在于，所述步骤
7.根据权利要求2所述的地衣芽孢杆菌培养工艺优化方法，其特征在于，所述补料分批动力学模型基于细胞生长阶段和产芽孢阶段的动力学模型构建。
8.根据权利要求7所述的地衣芽孢杆菌培养工艺优化方法，其特征在于，所述细胞生长阶段的动力学模型为：
9.根据权利要求7所述的地衣芽孢杆菌培养工艺优化方法，其特征在于，所述产芽孢阶段的动力学模型为：
...【技术特征摘要】
1.一种地衣芽孢杆菌培养工艺优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的地衣芽孢杆菌培养工艺优化方法，其特征在于，所述补料分批动力学模型为：
3.根据权利要求2所述的地衣芽孢杆菌培养工艺优化方法，其特征在于，所述步骤二中拟合的参数包括：芽孢的比转化速率μsp、细胞的比生长速率μg，细胞的比死亡速率μd，细胞对碳源的得率系数yx/carbon，细胞对氮源的得率系数yx/nitrogen，碳源的维持系数mcarbon，氮源的维持系数mnitrogen。
4.根据权利要求2所述的地衣芽孢杆菌培养工艺优化方法，其特征在于，所述步骤三中将温度t、ph、搅拌转速rpm、所述发酵罐内的碳源浓度scarbon和氮源浓度snitrogen作为神经网络的输...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。