genetic algorithm
در نشریات گروه بیوتکنولوژی و ژنتیک گیاهی-
هدف
کشورهای مختلف به دانه جوجوبا به عنوان یک منبع جدید انرژی علاقه مند هستند زیرا می تواند در شرایط سخت مانند آب و هوای شدید، آب شور، بیابان ها و دمای بالا به خوبی رشد کند. بیودیزل سوختی است که می تواند در موتورهای خودروها، اجاق گاز و سیستم های گرمایش روغنی خانگی استفاده شود و قابل بازیافت، زیست تخریب پذیر و ایمن است. یک جایگزین سوخت پاک کننده برای سوخت دیزل که از نفت بدست می آید است و از چربی های حیوانی، گریس پخت و پز بازیافت شده یا روغن های گیاهی تولید می شود. بیودیزل (BD) در این مطالعه با استفاده از روغن جوجوبا تحت فشار ساخته شده است. پاراللیسم عظیم ذاتی شبکه های عصبی (NN) آن ها را به یک ابزار بهینه سازی امیدوارکننده تبدیل می کند. تولید بیودیزل تجاری که هم کارآمد و هم سازگار با محیط زیست باشد، نیازمند مدل سازی و بهینه سازی فرآیند مبتنی بر هوش مصنوعی است.
مواد و روش هاپیش بینی پارامترهای فرآیند ایده آل برای سنتز بیودیزل از روغن جوجوبا با استفاده از الگوریتم ژنتیک شبکه عصبی مصنوعی (ANN-GA) انجام شد. با کمک شبکه عصبی مصنوعی یکپارچه - الگوریتم ژنتیک (IANN-GA)، این مطالعه با هدف بهبود فرآیند ترانس استریفیکاسیون برای تبدیل متانول فوق بحرانی (HCM) به BD انجام شد. محدوده دما برای بهینه سازی IANN-GAبرابر 355-240 درجه سانتیگراد بود و محدوده زمانی روی 7-21 دقیقه تنظیم شد.
نتایجطراحی ترکیبی اولیه (PCD) برای مدل سازی ANN برای ایجاد مطالعات اولیه استفاده شد. بهترین ساختار ANN با تعداد مناسب نورون های پنهان با استفاده از ارزیابی اکتشافی مقادیر ضریب تعیین (R) پیدا شد. مقادیر R به دست آمده برای آموزش و آزمایش دقت بالای چارچوب ANN را نشان می دهد.
نتیجه گیریمتغیرهای فرآیند برای ترانس استریفیکاسیون HCM با استفاده از GA با ANN به عنوان ضریب تناسب بهینه شدند. به طور کلی، یافته ها نشان داد که ANN-GA نسبت به مدلی که قبلا ارائه شده بود برتر است و این یک رویکرد مدل سازی و بهینه سازی قابل اعتماد برای ساخت بیودیزل از روغن جوجوبا است که هم عملی و هم پایدار است.
کلید واژگان: الگوریتم ژنتیک، بهینه سازی، سنتز بیودیزل، شبکه عصبی مصنوعی، متانول فوق بحرانیObjectivesDifferent countries are interested in jojoba seed as a possible new energy source because it can grow well in harsh conditions like extreme weather, salty water, deserts, and high temperatures. Biodiesel is a fuel that can be used in motor engines, stoves, and home heating oil systems. It is recyclable, biodegradable, and safe. A cleaner-burning substitute for diesel fuel derived from petroleum, it is manufactured from animal fats, recycled cooking grease, or vegetable oils. Biodiesel (BD) is made in this study using jojoba oil under pressure. The inherent huge parallelism of neural networks (NNs) makes them a promising optimization tool. Commercial biodiesel production that is both efficient and environmentally friendly needs AI-powered process modelling and optimization.
Materials and methodsPredicting the ideal process parameters for biodiesel synthesis from jojoba oil was accomplished using artificial neural network-genetic algorithm (ANN-GA). With the help of the Integrated Artificial Neural Network - Genetic Algorithm (IANN-GA), this study aims to improve the transesterification process for changing Hyper Critical Methanol (HCM) into BD. The temperature range for IANN-GA optimization was 240–355°C, and the time range was set to 7–21 minutes.
ResultsThe primary composite design (PCD) for ANN modelling was used to create the initial studies. The best ANN structure with the right number of concealed neurons was found using a heuristic evaluation of the coefficient of determination (R) values. The R values obtained for training and testing demonstrate the high accuracy of the ANN framework.
ConclusionsThe process variables for HCM transesterification have been optimized using GA with an ANN as the fitness coefficient. When taken as a whole, the findings demonstrated that ANN-GA is superior to the model that had been provided before, and that it is a trustworthy modeling and optimization approach for the manufacture of biodiesel from jojoba oil that is both practical and sustainable.
Keywords: Artificial Neural Network, Biodiesel Synthesis, Genetic Algorithm, Hyper Critical Methanol, Optimization -
هدف
در حوزه ارتقای بیوتکنولوژیکی لوبیاهای معمولی، با توجه به دشواری ذاتی بازسازی این محصول در محیط های آزمایشگاهی، یک چالش ضروری در ابداع یک استراتژی قابل اعتماد و موثر بازسازی در شرایط آزمایشگاهی نهفته است. این تحقیق، با هدف پرداختن به این چالش، از قدرت مدل های یادگیری ماشین (ML)، به ویژه با استفاده از الگوریتم هایی برای شبکه های عصبی مصنوعی (ANN) استفاده می کند. هدف اصلی ایجاد یک فرآیند بازسازی آزمایشگاهی کارآمد و قابل تکرار همزمان با بهینه سازی و پیش بینی نتایج آینده است.
مواد و روش هااین مطالعه متغیرهای مختلفی مانند ژنوتیپ لوبیا، ریزنمونه ها و دوزهای مختلف 6-benzylaminopurine (BAP) و CuSO4 را در بر می گیرد. یک شبکه عصبی رگرسیون مکرر (RRNN) برای مدل سازی و پیش بینی نتایج بازآفرینی محصول در شرایط آزمایشگاهی، به ویژه بر روی لوبیاهای معمولی استفاده شد. تنظیم تجربی شامل آماده سازی جنین های لوبیا با 10، 15 و 20 میلی گرم در لیتر BAP به مدت 25 روز، و به دنبال آن رشد در محیط پس از تیمار شامل 3/0، 6/0، 9/0، و 2/1 میلی گرم در لیتر BAP به مدت 7 هفته بود. متعاقبا، اپیس پلومولار برای بازسازی در شرایط آزمایشگاهی جدا شد. قابل ذکر است، مدل RRNN نیز با یک الگوریتم ژنتیک (GA) یکپارچه شد تا فرآیند بازسازی را بیشتر بهینه کند.
نتایجنتایج با RRNN برابر با 061/0، که کمترین میانگین مربعات خطا را نشان می دهد قانع کننده بود و این امر نشان دهنده دقت پیش بینی برتر در بازسازی کل است. در مقایسه، مدل های رگرسیون بردار پشتیبان (SVR)، جنگل تصادفی (RF) و تقویت گرادیان شدید (XGB) مقادیر MSE بالاتری را به ترتیب برابر با 081/0، 081/0 و 097/0 نشان دادند. این یافته ها بر اثربخشی الگوریتم RRNN تاکید می کند، که از سایر مدل ها در همه پارامترها بهتر عمل می کند.
نتیجه گیریعملکرد برتر RRNN کاربرد بالقوه آن را در پیش بینی دقیق در مورد بازسازی لوبیا نشان می دهد. در زمینه یک برنامه اصلاح مشترک لوبیا، این نتایج را می توان برای بهینه سازی و پیش بینی روش های کشت بافت گیاهی مهار کرد و در نتیجه تکنیک های بیوتکنولوژیکی مورد استفاده در کشت لوبیا معمولی را تقویت کرد. ادغام مدل هایML، به ویژه RRNN، به عنوان یک راه امیدوارکننده برای پیشبرد استراتژی های بازسازی محصول و کمک به کارایی مداخلات بیوتکنولوژیکی در کشاورزی است.
کلید واژگان: اصلاح، بازسازی آزمایشگاهی، RNN، یادگیری ماشینی، الگوریتم ژنتیک، لوبیا معمولیIn the realm of biotechnological enhancement of common beans, an imperative challenge lies in devising a reliable and effective in vitro regeneration strategy, given the inherent difficulty of regenerating this crop in laboratory settings. This research, aiming to address this challenge, leverages the power of Machine Learning (ML) models, specifically employing algorithms for Artificial Neural Networks (ANN). The primary objective is to establish an efficient and repeatable in vitro regeneration process while simultaneously optimizing and predicting future outcomes. The study incorporates various variables such as bean genotype, explants, and different doses of 6-benzylaminopurine (BAP) and CuSO4. A Recurrent Regression Neural Network (RRNN) is employed to model and anticipate the results of in vitro crop regeneration, specifically focusing on common beans. The experimental setup involves preconditioning common bean embryos with 10, 15, and 20 mg/L BAP for 25 days, followed by growth in a post-treatment environment comprising 0.3, 0.6, 0.9, and 1.2 mg/L BAP for 7 weeks. Subsequently, the plumular apice is isolated for in vitro regeneration. Notably, the RRNN model is also integrated with a Genetic Algorithm (GA) to optimize the regeneration process further. The results are compelling, with RRNN exhibiting the lowest Mean Squared Error (MSE) of 0.061, signifying superior predictive accuracy in total regeneration. In comparison, Support Vector Regression (SVR), Random Forest (RF), and Extreme Gradient Boosting (XGB) models exhibit higher MSE values of 0.081, 0.081, and 0.097, respectively. These findings underscore the efficacy of the RRNN algorithm, outperforming other models across all parameters. The superior performance of RRNN suggests its potential application in making precise predictions regarding common bean regeneration. In the context of a common bean breeding program, these outcomes can be harnessed to optimize and predict plant tissue culture methods, thereby enhancing biotechnological techniques employed in the cultivation of common beans. The integration of ML models, particularly RRNN, stands as a promising avenue for advancing crop regeneration strategies and contributing to the efficiency of biotechnological interventions in agriculture.
Keywords: Breeding, RNN, Machine Learning, Genetic Algorithm, Common bean
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.